Secondary metabolites from spice and herbs as potential multitarget inhibitors of SARS-CoV-2 proteins
Notice bibliographique
Résumé
Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) has been responsible for the current global pandemic that has caused a death toll of >1.12 million worldwide and number continues to climb in several countries. Currently, there are neither specific antiviral drugs nor vaccines for the treatment and prevention of COVID-19. We screened <i>in silico</i>, a group of natural spice and herbal secondary metabolites (SMs) for their inhibition efficacy against multiple target proteins of SARS-CoV-2 as well as the human angiotensin-converting enzyme 2 protein. Docking and simulation results indicated that epicatechin, embelin, hesperidin, cafestol, murrayanine and murrayaquinone-A have higher inhibition efficacy over at least one of the known antiviral drugs such as Hydroxychloroquine, Remdesivir and Ribavirin. Combination of these potentially effective SMs from their respective plant sources was analysed, and its absorption and acute oral toxicity were examined in Wistar rats and classified as category 5 as per the Globally Harmonized System. The identified SMs may be useful in the development of preventive nutraceuticals, food supplements and antiviral drugs. Communicated by Ramaswamy H. Sarma
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,155 | 0,021 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».