Hallmarks of neurodegenerative disease: A systems pharmacology perspective
Notice bibliographique
Résumé
Age-related central neurodegenerative diseases, such as Alzheimer's and Parkinson's disease, are a rising public health concern and have been plagued by repeated drug development failures. The complex nature and poor mechanistic understanding of the etiology of neurodegenerative diseases has hindered the discovery and development of effective disease-modifying therapeutics. Quantitative systems pharmacology models of neurodegeneration diseases may be useful tools to enhance the understanding of pharmacological intervention strategies and to reduce drug attrition rates. Due to the similarities in pathophysiological mechanisms across neurodegenerative diseases, especially at the cellular and molecular levels, we envision the possibility of structural components that are conserved across models of neurodegenerative diseases. Conserved structural submodels can be viewed as building blocks that are pieced together alongside unique disease components to construct quantitative systems pharmacology (QSP) models of neurodegenerative diseases. Model parameterization would likely be different between the different types of neurodegenerative diseases as well as individual patients. Formulating our mechanistic understanding of neurodegenerative pathophysiology as a mathematical model could aid in the identification and prioritization of drug targets and combinatorial treatment strategies, evaluate the role of patient characteristics on disease progression and therapeutic response, and serve as a central repository of knowledge. Here, we provide a background on neurodegenerative diseases, highlight hallmarks of neurodegeneration, and summarize previous QSP models of neurodegenerative diseases.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,002 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».