Innovative drug discovery strategies in epilepsy: integrating next-generation syndrome-specific mouse models to address pharmacoresistance and epileptogenesis
Notice bibliographique
Résumé
Introduction Although there are numerous treatment options already available for epilepsy, over 30% of patients remain resistant to these antiseizure medications (ASMs). Historically, ASM discovery has relied on the demonstration of efficacy through the use of ‘traditional’ acute in vivo seizure models (e.g. maximal electroshock, subcutaneous pentylenetetrazol, and kindling). However, advances in genetic sequencing technologies and remaining medical needs for people with treatment-resistant epilepsy or special patient populations have encouraged recent efforts to identify novel compounds in syndrome-specific models of epilepsy. Syndrome-specific models, including Scn1a variant models of Dravet syndrome and APP/PS1 mice associated with familial early-onset Alzheimer’s disease, have already led to the discovery of two mechanistically novel treatments for developmental and epileptic encephalopathies (DEEs), namely cannabidiol and soticlestat, respectively.Areas covered In this review, the authors discuss how it is likely that next-generation drug discovery efforts for epilepsy will more comprehensively integrate syndrome-specific epilepsy models into early drug discovery providing the reader with their expert perspectives.Expert opinion The percentage of patients with pharmacoresistant epilepsy has remained unchanged despite over 30 marketed ASMs. Consequently, there is a high unmet need to reinvent and revise discovery strategies to more effectively address the remaining needs of patients with specific epilepsy syndromes, including drug-resistant epilepsy and DEEs.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».