MétaCan
Menu
Retour à la cohorte
Enregistrement W4205283001 · doi:10.1038/s41573-021-00367-2

Lipogenesis inhibitors: therapeutic opportunities and challenges

2022· review· en· W4205283001 sur OpenAlexafffund
Battsetseg Batchuluun, Stephen L. Pinkosky, Gregory R. Steinberg

Notice bibliographique

RevueNature Reviews Drug Discovery · 2022
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCancer, Lipids, and Metabolism
Établissements canadiensMcMaster University Medical CentreMcMaster University
Organismes subventionnairesCanadian Institutes of Health ResearchDiabetes Canada
Mots-clésLipogenesisATP citrate lyaseFatty acid synthaseFatty acid synthesisLyaseBiochemistryAcetyl-CoA carboxylaseSmall moleculeChemistryEnzymeCitrate synthasePyruvate carboxylaseLipid metabolism

Résumé

récupéré en direct d'OpenAlex

Fatty acids are essential for survival, acting as bioenergetic substrates, structural components and signalling molecules. Given their vital role, cells have evolved mechanisms to generate fatty acids from alternative carbon sources, through a process known as de novo lipogenesis (DNL). Despite the importance of DNL, aberrant upregulation is associated with a wide variety of pathologies. Inhibiting core enzymes of DNL, including citrate/isocitrate carrier (CIC), ATP-citrate lyase (ACLY), acetyl-CoA carboxylase (ACC) and fatty acid synthase (FAS), represents an attractive therapeutic strategy. Despite challenges related to efficacy, selectivity and safety, several new classes of synthetic DNL inhibitors have entered clinical-stage development and may become the foundation for a new class of therapeutics. De novo lipogenesis (DNL) is vital for the maintenance of whole-body and cellular homeostasis, but aberrant upregulation of the pathway is associated with a broad range of conditions, including cardiovascular disease, metabolic disorders and cancers. Here, Steinberg and colleagues provide an overview of the physiological and pathological roles of the core DNL enzymes and assess strategies and agents currently in development to therapeutically target them.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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 Opus0,081
Tête enseignante GPT0,321
Écart entre enseignants0,240 · 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 source (Gemma direct ou Codex distillé), 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

Citations397
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNature Reviews Drug DiscoveryMême sujetCancer, Lipids, and MetabolismTravaux en français237 207