Assembling the RNA therapeutics toolbox
Notice bibliographique
Résumé
From the approval of COVID-19 mRNA vaccines to the 2023 Nobel Prize awarded for nucleoside base modifications, RNA therapeutics have entered the spotlight and are transforming drug development. While the term "RNA therapeutics" has been used in various contexts, this review focuses on treatments that utilize RNA as a component or target RNA for therapeutic effects. We summarize the latest advances in RNA-targeting tools and RNA-based technologies, including but not limited to mRNA, antisense oligos, siRNAs, small molecules and RNA editors. We focus on the mechanisms of current FDA-approved therapeutics but also provide a discussion on the upcoming workforces. The clinical utility of RNA-based therapeutics is enabled not only by the advances in RNA technologies but in conjunction with the significant improvements in chemical modifications and delivery platforms, which are also briefly discussed in the review. We summarize the latest RNA therapeutics based on their mechanisms and therapeutic effects, which include expressing proteins for vaccination and protein replacement therapies, degrading deleterious RNA, modulating transcription and translation efficiency, targeting noncoding RNAs, binding and modulating protein activity and editing RNA sequences and modifications. This review emphasizes the concept of an RNA therapeutic toolbox, pinpointing the readers to all the tools available for their desired research and clinical goals. As the field advances, the catalog of RNA therapeutic tools continues to grow, further allowing researchers to combine appropriate RNA technologies with suitable chemical modifications and delivery platforms to develop therapeutics tailored to their specific clinical challenges.
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 | 0,000 |
| 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 ».