MétaCan
Menu
Retour à la cohorte
Enregistrement W4223548728 · doi:10.1126/sciadv.abl4370

Development of iPSC-based clinical trial selection platform for patients with ultrarare diseases

2022· article· en· W4223548728 sur OpenAlexaff
Glen Lester Sequiera, Abhay Srivastava, Niketa Sareen, Weiang Yan, Keshav Narayan Alagarsamy, Elika Verma, Mohamad‐Reza Aghanoori, Michel Aliani, Ashok Kumar, Paul Fernyhough, Cheryl R. Greenberg, Sanjiv Dhingra

Notice bibliographique

RevueScience Advances · 2022
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensUniversity of ManitobaSt. Boniface Hospital
Organismes subventionnairesnon disponible
Mots-clésClinical trialMedicineInduced pluripotent stem cellClinical efficacyDrugIntensive care medicinePersonalized medicineEfficacyDrug developmentBioinformaticsInternal medicineOncologyPharmacologyBiology

Résumé

récupéré en direct d'OpenAlex

A "Leap-of-Faith" approach is used to treat patients with previously unknown ultrarare pathogenic mutations, often based on evidence from patients having dissimilar but more prevalent mutations. This uncertainty reflects the need to develop personalized prescreening platforms for these patients to assess drug efficacy before considering clinical trial enrollment. In this study, we report an 18-year-old patient with ultrarare Leigh-like syndrome. This patient had previously participated in two clinical trials with unfavorable responses. We established an induced pluripotent stem cell (iPSC)-based platform for this patient, and assessed the efficacy of a panel of drugs. The iPSC platform validated the safety and efficacy of the screened drugs. The efficacy of three of the screened drugs was also investigated in the patient. After 3 years of treatment, the drugs were effective in shifting the metabolic profile of this patient toward healthy control. Therefore, this personalized iPSC-based platform can act as a prescreening tool to help in decision-making with respect to patient's participation in future clinical trials.

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)0,000
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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,567
Score d'incertitude au seuil0,181

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 ouverte0,0000,000
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 Opus0,016
Tête enseignante GPT0,350
Écart entre enseignants0,335 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations30
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetCRISPR and Genetic EngineeringTravaux en français237 207