MétaCan
Menu
Retour à la cohorte
Enregistrement W4377023338 · doi:10.3389/fmolb.2023.1120376

Metabolomics of infectious diseases in the era of personalized medicine

2023· review· en· W4377023338 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueFrontiers in Molecular Biosciences · 2023
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMetabolomics and Mass Spectrometry Studies
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMetabolomicsPersonalized medicinePrecision medicineOmicsDiseaseGenomicsComputational biologyDrug developmentMedicineBioinformaticsInfectious disease (medical specialty)Systems biologyTranslational medicineBiologyMetabolomeDrugPharmacologyGeneticsGenomeGenePathology

Résumé

récupéré en direct d'OpenAlex

Infectious diseases continue to be a major cause of morbidity and mortality worldwide. Diseases cause perturbation of the host’s immune system provoking a response that involves genes, proteins and metabolites. While genes are regulated by epigenetic or other host factors, proteins can undergo post-translational modification to enable/modify function. As a result, it is difficult to correlate the disease phenotype based solely on genetic and proteomic information only. Metabolites, however, can provide direct information on the biochemical activity during diseased state. Therefore, metabolites may, potentially, represent a phenotypic signature of a diseased state. Measuring and assessing metabolites in large scale falls under the omics technology known as “metabolomics”. Comprehensive and/or specific metabolic profiling in biological fluids can be used as biomarkers of disease diagnosis. In addition, metabolomics together with genomics can be used to differentiate patients with differential treatment response and development of host targeted therapy instead of pathogen targeted therapy where pathogens are more prone to mutation and lead to antimicrobial resistance. Thus, metabolomics can be used for patient stratification, personalized drug formulation and disease control and management. Currently, several therapeutics and in vitro diagnostics kits have been approved by US Food and Drug Administration (FDA) for personalized treatment and diagnosis of infectious diseases. However, the actual number of therapeutics or diagnostics kits required for tailored treatment is limited as metabolomics and personalized medicine require the involvement of personnel from multidisciplinary fields ranging from technological development, bioscience, bioinformatics, biostatistics, clinicians, and biotechnology companies. Given the significance of metabolomics, in this review, we discussed different aspects of metabolomics particularly potentials of metabolomics as diagnostic biomarkers and use of small molecules for host targeted treatment for infectious diseases, and their scopes and challenges in personalized medicine.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,965
Score d'incertitude au seuil0,779

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,308
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle