MétaCan
Menu
Retour à la cohorte
Enregistrement W4206018206 · doi:10.20944/preprints202201.0265.v1

CRISPR Therapeutics for Duchenne Muscular Dystrophy

2022· preprint· en· W4206018206 sur OpenAlexafffund
Esra Erkut, Toshifumi Yokota

Notice bibliographique

RevuePreprints.org · 2022
Typepreprint
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensMuscular Dystrophy CanadaUniversity of Alberta
Organismes subventionnairesUniversity of Alberta
Mots-clésCRISPRGenome editingDuchenne muscular dystrophyDystrophinBiologyGeneticsGeneMuscular dystrophyComputational biologyGuide RNAmdx mouseBioinformatics

Résumé

récupéré en direct d'OpenAlex

Duchenne muscular dystrophy (DMD) is an X-linked recessive neuromuscular disorder with a prevalence of approximately 1 in 3,500-5,000 males. DMD manifests as childhood-onset muscle degeneration, followed by loss of ambulation, cardiomyopathy, and death in early adulthood due to a lack of functional dystrophin protein. Out-of-frame mutations in the dystrophin gene are the most common underlying cause of DMD. Gene editing via the clustered regularly interspaced short palindromic repeats (CRISPR) system is a promising therapeutic for DMD, as it can permanently correct DMD mutations and thus restore the reading frame, allowing for the production of functional dystrophin. The specific mechanism of gene editing can vary based on a variety of factors such as the number of cuts generated by CRISPR, the presence of an exogenous DNA template, or the current cell cycle stage. CRISPR-mediated gene editing for DMD has been tested both in vitro and in vivo, with many of these studies discussed herein. Additionally, novel modifications to the CRISPR system such as base or prime editors allow for more precise gene editing. Despite recent advances, limitations remain including delivery efficiency, off-target mutagenesis, and long-term maintenance of dystrophin. Further studies focusing on safety and accuracy of the CRISPR system are necessary prior to clinical translation.

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: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0100,004

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 Opus0,073
Tête enseignante GPT0,387
Écart entre enseignants0,314 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

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

En bref

Citations15
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetCRISPR and Genetic EngineeringTravaux en français237 207