Opening the amino acid toolbox for peptide‐based NTS2‐selective ligands as promising lead compounds for pain management
Notice bibliographique
Résumé
Chronic pain is one of the most critical health issues worldwide. Despite considerable efforts to find therapeutic alternatives, opioid drugs remain the gold standard for pain management. The administration of μ-opioid receptor (MOR) agonists is associated with detrimental and limiting adverse effects. Overall, these adverse effects strongly overshadow the effectiveness of opioid therapy. In this context, the development of neurotensin (NT) ligands has shown to be a promising approach for the management of chronic and acute pain. NT exerts its opioid-independent analgesic effects through the binding of two G protein-coupled receptors (GPCRs), NTS1 and NTS2. In the last decades, modified NT analogues have been proven to provide potent analgesia in vivo. However, selective NTS1 and nonselective NTS1/NTS2 ligands cause antinociception associated with hypothermia and hypotension, whereas selective NTS2 ligands induce analgesia without altering the body temperature and blood pressure. In light of this, various structure-activity relationship (SAR) studies provided findings addressing the binding affinity of ligands towards NTS2. Herein, we comprehensively review peptide-based NTS2-selective ligands as a robust alternative for future pain management. Particular emphasis is placed on SAR studies governing the desired selectivity and associated in vivo results.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».