Computational Drug Repurposing for Alzheimer’s Disease Using Risk Genes From GWAS and Single-Cell RNA Sequencing Studies
Notice bibliographique
Résumé
Background: Traditional therapeutics targeting Alzheimer’s disease (AD)-related subpathologies have so far proved ineffective. Drug repurposing, a more effective strategy that aims to find new indications for existing drugs against other diseases, offers benefits in AD drug development. In this study, we aim to identify potential anti-AD agents through enrichment analysis of drug-induced transcriptional profiles of pathways based on AD-associated risk genes identified from genome-wide association analyses (GWAS) and single-cell transcriptomic studies. Methods: We systematically constructed four gene lists (972 risk genes) from GWAS and single-cell transcriptomic studies and performed functional and genes overlap analyses in Enrichr tool. We then used a comprehensive drug repurposing tool Gene2Drug by combining drug-induced transcriptional responses with the associated pathways to compute candidate drugs from each gene list. Prioritized potential candidates (eight drugs) were further assessed with literature review. Results: The genomic-based gene lists contain late-onset AD associated genes (BIN1, ABCA7, APOE, CLU, and PICALM) and clinical AD drug targets (TREM2, CD33, CHRNA2, PRSS8, ACE, TKT, APP, and GABRA1). Our analysis identified eight AD candidate drugs (ellipticine, alsterpaullone, tomelukast, ginkgolide A, chrysin, ouabain, sulindac sulfide and lorglumide), four of which (alsterpaullone, ginkgolide A, chrysin and ouabain) have shown repurposing potential for AD validated by their preclinical evidence and moderate toxicity profiles from literature. These support the value of pathway-based prioritization based on the disease risk genes from GWAS and scRNA-seq data analysis. Conclusion: Our analysis strategy identified some potential drug candidates for AD. Although the drugs still need further experimental validation, the approach may be applied to repurpose drugs for other neurological disorders using their genomic information identified from large-scale genomic studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».