MétaCan
Menu
Retour à la cohorte
Enregistrement W4390192956 · doi:10.1002/alz.076912

The Emory‐Sage‐SGC TREAT‐AD Center: Tool development for novel targets in Alzheimer’s Disease

2023· article· en· W4390192956 sur OpenAlexaff
Karina Leal, Alison D. Axtman, Ranjita Betarbet, Paul E. Brennan, Gregory W. Carter, Haian Fu, Anna K Greenwood, Frank M. Longo, A.M. Edwards, Allan I. Levey

Notice bibliographique

RevueAlzheimer s & Dementia · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensUniversity of TorontoStructural Genomics Consortium
Organismes subventionnairesnon disponible
Mots-clésDruggabilityPrioritizationDiseaseDrug developmentComputational biologyDrug discoverySet (abstract data type)Computer scienceMedicineBioinformaticsBiologyDrugPharmacologyGeneticsPathology

Résumé

récupéré en direct d'OpenAlex

Abstract Background Alzheimer’s disease (AD) is one of the most prevalent neurodegenerative diseases affecting over 55 million people worldwide. Over the last 20 years, AD research has focused on a limited number of potential drug targets. Given the demonstrated heterogeneity of the disease in biological and genetic components, there is a need to evaluate a broad range of therapeutic hypotheses for target prioritization and development. The Emory‐Sage‐SGC TREAT‐AD Center is generating and openly distributing validated experimental tools necessary to test target predictions generated through sequence‐based characterization of human disease state. We believe that these tools and reagents, including chemical and biological probes that target the multifaceted dysregulation in the brains of AD patients will advance the discovery of potential drug targets for AD. Method Our Center uses integrated computational approaches to identify target predictions from a set of prioritized therapeutic hypotheses. The current target portfolio was assembled by evaluating prioritized understudied proteins by the Accelerating Medicines Partnership in AD (AMP‐AD) consortium and additional NIA‐supported AD consortia. Nominated targets were evaluated by calculating an unbiased target risk score, literature score, and druggability. Targets are then mapped to 16 biological domains (BDs) that describe and codify the different processes that are dysregulated in AD and prioritized based on multiple lines of evidence for overall AD‐risk. Targets that meet criteria for development are evaluated to identify a set of experimental reagents necessary for hypothesis testing, termed a “target enablement package (TEP). Result We have prioritized more than 30 understudied targets for TEP development. For each understudied target, a TEP includes expression constructs, purified protein and methods, validated knockout cell lines, and antibody validation. All reagents are developed to meet established quality criteria. For a subset of tractable targets additional TEP components include assay development, crystal structures, screening, and probe development. Advanced targets include SYK, DDX1, SFRP1, SDC4, ARHGEF2, and CAPN2. TREAT‐AD investigators place all data, knowledge, reagents, and tools into the open domain with no intellectual property claims. Conclusion All data, protocols, reagent sets, and chemical tools will be made widely available on the AD Knowledge Portal. For more information see www.treatad.org.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,050

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,011
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0030,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0150,006

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 Opus0,054
Tête enseignante GPT0,319
Écart entre enseignants0,265 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAlzheimer s & DementiaMême sujetComputational Drug Discovery MethodsTravaux en français237 207