Screening of Natural Antivirals Against the COVID-19 Pandemic- ACompilation of Updates
Notice bibliographique
Résumé
Background: Coronavirus disease 2019 (COVID-19), named by WHO, is a public health disaster of the third millennium. This acute respiratory distress syndrome (ARDS) has severe complications like pneumonitis, respiratory failure, shock, multi-organ failure, and finally, death. Despite repurposing of broad-spectrum antivirals, vaccinations, use of mask sanitizers, social distancing, intermittent lockdowns and quarantine, long-term protection or eradication of coronavirus is yet to be achieved. Objectives: This comprehensive review makes a compilation of updates on the screening and evaluation of natural antivirals that are found to show anti-COVID potency. Methods: Literature mining was done in phytotherapy and food research journals, Pubmed, Scopus, Elsevier for collection of latest research updates focusing on screening and evaluation of anti-COVID natural antivirals. Results: In silico molecular docking studies have screened several phytochemicals and food bioactive principles with significant potencies against the corona virus. The anti-COVID potency of the phytochemicals is mostly by restricting the action of enzymes like the main protease (Mpro), 3-chymotrypsin like protease (3CLpro), spike proteins, papain-like protease (ACE2). Free radical scavenging, anti-inflammatory effect, DNA inhibition, prevention of viral attachment, and its penetration into the host body, inhibiting viral replication are other associated mechanisms of bioactive compounds present in plants, vegetables, fruits, spices and marine alga. Different formulations of Ayurveda, Siddha, Unani have shown their ameliorative effects. Many formulations of Traditional Chinese Medicine are under clinical trials. Conclusions: The immense potencies of bioactives that are omnipresent need to be properly utilized for immune-boosting and combat this deadly virus naturistically.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».