Repurposing of Anti-infectives for the Management of Onchocerciasis using Machine Learning and Protein Docking Studies
Notice bibliographique
Résumé
The discovery of new drugs for the treatment of neglected tropical diseases (NTDs) is hampered by the lack of financial reward associated with their development. A combination of exploratory data analysis, machine learning (ML) and molecular docking studies were used to evaluate 58 anti-infective agents to identify those with the potential to be repurposed for the management of onchocerciasis, an NTD. Out of the 58 test drugs, 14 were predicted by at least five ML models to be useful in managing onchocerciasis. Molecular docking studies using glycine receptor subunit α-3, gamma-aminobutyric acid receptor subunit β-3 and glutamate-gated chloride channel of the 14 drugs showed binding affinities comparable to that of doramectin and pyrvinium which are known onchocerciasis drugs. Diminazine, trimetinib, triclabendazole, cridanimod, vandetinib and trametinib were the top agents showing high binding affinities from the molecular docking studies. The binding affinities of diminazine and cridanimod are similar to doramectin and pyrvinium which have demonstrated activity against onchocerciasis. The outcome of this study shows the potential of using these 14 drugs to manage onchocerciasis.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».