Network-Based Prediction of Side Effects of Repurposed Antihypertensive Sartans against COVID-19 via Proteome and Drug-Target Interactomes
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
The potential of targeting the Renin-Angiotensin-Aldosterone System (RAAS) as a treatment for the coronavirus disease 2019 (COVID-19) is currently under investigation. One way to combat this disease involves the repurposing of angiotensin receptor blockers (ARBs), which are antihypertensive drugs, because they bind to angiotensin-converting enzyme 2 (ACE2), which in turn interacts with the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) spike protein. However, there has been no in silico analysis of the potential toxicity risks associated with the use of these drugs for the treatment of COVID-19. To address this, a network-based bioinformatics methodology was used to investigate the potential side effects of known Food and Drug Administration (FDA)-approved antihypertensive drugs, Sartans. This involved identifying the human proteins targeted by these drugs, their first neighbors, and any drugs that bind to them using publicly available experimentally supported data, and subsequently constructing proteomes and protein-drug interactomes. This methodology was also applied to Pfizer's Paxlovid, an antiviral drug approved by the FDA for emergency use in mild-to-moderate COVID-19 treatment. The study compares the results for both drug categories and examines the potential for off-target effects, undesirable involvement in various biological processes and diseases, possible drug interactions, and the potential reduction in drug efficiency resulting from proteoform identification.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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