MétaCan
Menu
Retour à la cohorte
Enregistrement W3209620676 · doi:10.3390/ijms222111542

The Next Generation of Molecular and Cellular Therapeutics for Inherited Retinal Disease

2021· review· en· W3209620676 sur OpenAlexaff
Luis Ángel Velázquez, Brian G. Ballios

Notice bibliographique

RevueInternational Journal of Molecular Sciences · 2021
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueRetinal Development and Disorders
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésBlindingGenetic enhancementClinical trialDiseaseNeuroscienceRetinalRetinitis pigmentosaBiologyGenome editingRetinal degenerationBioinformaticsMedicineComputational biologyGeneGeneticsCRISPRPathologyRetinaOphthalmology

Résumé

récupéré en direct d'OpenAlex

Inherited retinal degenerations (IRDs) are a diverse group of conditions that are often characterized by the loss of photoreceptors and blindness. Recent innovations in molecular biology and genomics have allowed us to identify the causative defects behind these dystrophies and to design therapeutics that target specific mechanisms of retinal disease. Recently, the FDA approved the first in vivo gene therapy for one of these hereditary blinding conditions. Current clinical trials are exploring new therapies that could provide treatment for a growing number of retinal dystrophies. While the field has had early success with gene augmentation strategies for treating retinal disease based on loss-of-function mutations, many novel approaches hold the promise of offering therapies that span the full spectrum of causative mutations and mechanisms. Here, we provide a comprehensive review of the approaches currently in development including a discussion of retinal neuroprotection, gene therapies (gene augmentation, gene editing, RNA modification, optogenetics), and regenerative stem or precursor cell-based therapies. Our review focuses on technologies that are being developed for clinical translation or are in active clinical trials and discusses the advantages and limitations for each approach.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,978
Score d'incertitude au seuil0,506

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,078
Tête enseignante GPT0,349
Écart entre enseignants0,270 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Molecular SciencesMême sujetRetinal Development and DisordersTravaux en français237 207