Potential of siRNA in COVID-19 therapy: Emphasis on in silico design and nanoparticles based delivery
Notice bibliographique
Résumé
Small interfering RNA (siRNA)-mediated mRNA degradation approach have imparted its eminence against several difficult-to-treat genetic disorders and other allied diseases. Viral outbreaks and resulting pandemics have repeatedly threatened public health and questioned human preparedness at the forefront of drug design and biomedical readiness. During the recent pandemic caused by the SARS-CoV-2, mRNA-based vaccination strategies have paved the way for a new era of RNA therapeutics. RNA Interference (RNAi) based approach using small interfering RNA may complement clinical management of the COVID-19. RNA Interference approach will primarily work by restricting the synthesis of the proteins required for viral replication, thereby hampering viral cellular entry and trafficking by targeting host as well as protein factors. Despite promising benefits, the stability of small interfering RNA in the physiological environment is of grave concern as well as site-directed targeted delivery and evasion of the immune system require immediate attention. In this regard, nanotechnology offers viable solutions for these challenges. The review highlights the potential of small interfering RNAs targeted toward specific regions of the viral genome and the features of nanoformulations necessary for the entrapment and delivery of small interfering RNAs. In silico design of small interfering RNA for different variants of SARS-CoV-2 has been discussed. Various nanoparticles as promising carriers of small interfering RNAs along with their salient properties, including surface functionalization, are summarized. This review will help tackle the real-world challenges encountered by the in vivo delivery of small interfering RNAs, ensuring a safe, stable, and readily available drug candidate for efficient management of SARS-CoV-2 in the future.
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 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 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 ».