In-silico Identification of Dexamethasone-similar Compounds AgainstSARS-Cov-2 Spike Protein: A Drug Repurposing Approach
Notice bibliographique
Résumé
Abstract: To identify potential drug candidates for the treatment of COVID-19 using a computational method. The recent pandemic of COVID-19 is observed as not less than a natural calamity of humankind and raised serious concerns for its immediate management. The continued spread of coronavirus disease across the globe poses a significant threat to human health. Out of this, the application of Dexamethasone has been correlated with reduced mortality in COVID-19 cases. This study sheds new light on the pharmacological potential of Dexamethasone and similar compounds in mitigating SARSCoV2 infection. : In this study, we explored Dexamethasone-similar compounds, which can modulate the binding of SARS-CoV-2 spike protein to the host and TH17 programming in the host using a computer-aided drug repurposing method. The docking studies indicate that Desoximetasone can bind to the spike proteins of SARS-CoV-2, which are crucial for viral attachment and entry into host cells. By competing with these spike proteins, Desoximetasone may interfere with the virus's ability to attach to and enter host cells, potentially inhibiting viral replication and spread. The results from molecular dynamic simulation analysis further support this notion by demonstrating that Desoximetasone has a strong interaction with the binding sites of the spike protein. Experimental validation through in vitro studies and clinical trials is needed to evaluate its potential as a treatment option for COVID-19. Together, these findings revealed the underlying mechanism of how Desoximetasone can influence the fate of the virus in the host and advocated its anti-viral potential.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».