Innovative developments and emerging technologies in RNA therapeutics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
RNA-based therapeutics are emerging as a powerful platform for the treatment of multiple diseases. Currently, the two main categories of nucleic acid therapeutics, antisense oligonucleotides and small interfering RNAs (siRNAs), achieve their therapeutic effect through either gene silencing, splicing modulation or microRNA binding, giving rise to versatile options to target pathogenic gene expression patterns. Moreover, ongoing research seeks to expand the scope of RNA-based drugs to include more complex nucleic acid templates, such as messenger RNA, as exemplified by the first approved mRNA-based vaccine in 2020. The increasing number of approved sequences and ongoing clinical trials has attracted considerable interest in the chemical development of oligonucleotides and nucleic acids as drugs, especially since the FDA approval of the first siRNA drug in 2018. As a result, a variety of innovative approaches is emerging, highlighting the potential of RNA as one of the most prominent therapeutic tools in the drug design and development pipeline. This review seeks to provide a comprehensive summary of current efforts in academia and industry aimed at fully realizing the potential of RNA-based therapeutics. Towards this, we introduce established and emerging RNA-based technologies, with a focus on their potential as biosensors and therapeutics. We then describe their mechanisms of action and their application in different disease contexts, along with the strengths and limitations of each strategy. Since the nucleic acid toolbox is rapidly expanding, we also introduce RNA minimal architectures, RNA/protein cleavers and viral RNA as promising modalities for new therapeutics and discuss future directions for the field.
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.
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 découle