Biochemistry-informed design selects potent siRNAs against SARS-CoV-2
Notice bibliographique
Résumé
RNA interference (RNAi) offers an efficient way to repress genes of interest, and it is widely used in research settings. Clinical applications emerged more recently, with 5 approved siRNAs (the RNA guides of the RNAi effector complex) against human diseases. The development of siRNAs against the SARS-CoV-2 virus could therefore provide the basis of novel COVID-19 treatments, while being easily adaptable to future variants or to other, unrelated viruses. Because the biochemistry of RNAi is very precisely described, it is now possible to design siRNAs with high predicted activity and specificity using only computational tools. While previous siRNA design algorithms tended to rely on simplistic strategies (raising fully complementary siRNAs against targets of interest), our approach uses the most up-to-date mechanistic description of RNAi to allow mismatches at tolerable positions and to force them at beneficial positions, while optimizing siRNA duplex asymmetry. Our pipeline proposes 8 siRNAs against SARS-CoV-2, and ex vivo assessment confirms the high antiviral activity of 6 out of 8 siRNAs, also achieving excellent variant coverage (with several 3-siRNA combinations recognizing each correctly-sequenced variant as of September2022). Our approach is easily generalizable to other viruses as long as avariant genome database is available. With siRNA delivery procedures being currently improved, RNAi could therefore become an efficient and versatile antiviral therapeutic strategy.
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) | 0,000 | 0,000 |
| 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 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 ».