Hypothesis for changing models: current pharmaceutical paradigms, trends and approaches in drug discovery
Notice bibliographique
Résumé
Despite the increasing availability of chemicals, the number of New Drug Approvals (NDA) from the Food and Drug Administration (FDA) remains unchanged. The number of chemical structures available online via web-based open source applications will reach the symbolic 1 billion in the 10 next years. However, for no apparent reasons, the number of NDA accepted yearly has not changed in the past 25 years. One of the emerging paradigms of Big Pharma is that the more we know about molecular mechanisms and cell signaling pathways, the less we understand how to use this knowledge to make New Chemical Entities (NCE). Moreover, the annual number of pharmaceutical patents collected in the OCSE database has virtually not increased. Unexpectedly, the number of patents originating in the USA is decreasing significantly, while Asia is doing very well. The comparison between the number of NCEs and the American investment in Research and Development (R&D) in the last 35 years shows that to obtain a new drug blockbuster, the total investment is quasi 4 USD billion. One of the peculiarities is the inverse relationship between the investment in R&D and the continued shortfall in productivity. A main reason for this decline is that the quality of scientific reasoning done by experienced chemists is too often replaced by Big Data . It is time to change the role of chemistry in Big Pharma and to re-position it as the central science to progress and to lead to much needed innovation.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,008 | 0,014 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,003 |
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.
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».