Genetic treatment for autosomal dominant inherited retinal dystrophies: approaches, challenges and targeted genotypes
Notice bibliographique
Résumé
Inherited retinal diseases (IRDs) have been in the front line of gene therapy development for the last decade, providing a useful platform to test novel therapeutic approaches. More than 40 clinical trials have been completed or are ongoing, tackling autosomal recessive and X-linked conditions, mostly through adeno-associated viral vector delivery of a normal copy of the disease-causing gene. However, only recently has autosomal dominant (ad) disease been targeted, with the commencement of a trial for rhodopsin ( RHO )-associated retinitis pigmentosa (RP), implementing antisense oligonucleotide (AON) therapy, with promising preliminary results ( NCT04123626 ). Autosomal dominant RP represents 15%–25% of all RP, with RHO accounting for 20%–30% of these cases. Autosomal dominant macular and cone-rod dystrophies (MD/CORD) correspond to approximately 7.5% of all IRDs, and approximately 35% of all MD/CORD cases, with the main causative gene being BEST1 . Autosomal dominant IRDs are not only less frequent than recessive, but also tend to be less severe and have later onset; for example, an individual with RHO -adRP would typically become severely visually impaired at an age 2–3 times older than in X-linked RPGR -RP. Gain-of-function and dominant negative aetiologies are frequently seen in the prevalent adRP genes RHO , RP1 and PRPF31 among others, which would not be effectively addressed by gene supplementation alone and need creative, novel approaches. Zinc fingers, RNA interference, AON, translational read-through therapy, and gene editing by clustered regularly interspaced short palindromic repeats/Cas are some of the strategies that are currently under investigation and will be discussed here.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; un appel candidat d’une seule tête enseignante, 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 ».