Challenges and future perspective of antisense therapy for spinal muscular atrophy: A review
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.
Notice bibliographique
Résumé
Spinal muscular atrophy (SMA), the most common genetic cause of infantile death, is caused by a mutation in the survival of motor neuron 1 gene (SMN1), leading to the death of motor neurons and progressive muscle weakness. SMN1 normally produces an essential protein called SMN. Although humans possess a paralogous gene called SMN2, ∼90% of the SMN it produces is non-functional. This is due to a mutation in SMN2 that causes the skipping of a required exon during splicing of the pre-mRNA. The first treatment for SMA, nusinersen (brand name Spinraza), was approved by the FDA in 2016 and by the EMU in 2017. Nusinersen is an antisense oligonucleotide-based therapy that alters the splicing of SMN2 to make functional full-length SMN protein. Despite the recent advancements in antisense oligonucleotide therapy and SMA treatment development, nusinersen is faced with a multitude of challenges, such as intracellular and systemic delivery. In recent years, the use of peptide-conjugated phosphorodiamidate morpholino oligomers (PPMOs) in antisense therapy has gained interest. These are antisense oligonucleotides conjugated to cell-penetrating peptides such as Pips and DG9, and they have the potential to address the challenges associated with delivery. This review focuses on the historic milestones, development, current challenges, and future perspectives of antisense therapy for SMA.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 découle