Overcoming Market Failures in Pandemic Drug Discovery Through Open Science: A Canadian Solution
Notice bibliographique
Résumé
Among the lessons learned from the COVID-19 pandemic is the need to develop antiviral drugs poised to treat the next pandemic. Unfortunately, traditional drug development economic models, centered principally on patents, are ineffective to induce private sector investment due to unpredictable timing and cause of the next pandemic. As a result, illustrated by the COVID-19 pandemic, it is the public and philanthropic sectors sectors that overwhelmingly fund the development of innovative vaccines and therapies. To meet the need for proactive antiviral medicines in advance of the next pandemic, new models of drug development are needed. Open science partnerships (OSPs) show promise in this regard. Rather than rely principally on patents and private investment, OSPs combine a variety of academic, philanthropic, governmental, and private sector incentives to share knowledge and develop and test antiviral drugs. Private sector investments are, within an OSP, not only leveraged against investments by other actors, but predicated on gaining regulatory data exclusivity, a known and secure form of commercial advantage. Building on domestic expertise in OSPs, Canadian leaders created the Viral Interruption Medicines Initiative, a not-for-profit OSP, to develop pandemic ready-antivirals and address other areas of market failure.
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 | 0,021 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,014 |
| Communication savante | 0,011 | 0,012 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,011 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,002 |
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 ».