Insights into pharmacogenetics, drug-gene interactions, and drug-drug-gene interactions
Notice bibliographique
Résumé
This review explores genetic contributors to drug interactions, known as drug-gene and drug-drug-gene interactions (DGI and DDGI, respectively). This article is part of a mini-review issue led by the International Society for the Study of Xenobiotics (ISSX) New Investigators Group. Pharmacogenetics (PGx) is the study of the impact of genetic variation on pharmacokinetics (PK), pharmacodynamics (PD), and adverse drug reactions. Genetic variation in pharmacogenes, including drug metabolizing enzymes and drug transporters, is common and can increase the risk of adverse drug events or contribute to reduced efficacy. In this review, we summarize clinically actionable genetic variants, and touch on methodologies such as genotyping patient DNA to identify genetic variation in targeted genes, and deep mutational scanning as a high-throughput in vitro approach to study the impact of genetic variation on protein function and/or expression in vitro. We highlight the utility of physiologically based pharmacokinetic (PBPK) models to integrate genetic and chemical inhibitor and inducer data for more accurate human PK simulations. Additionally, we analyze the limitations of historical ethnic descriptors in pharmacogenomics research. Altogether, the work herein underscores the importance of identifying and understanding complex DGI and DDGIs with the intention to provide better treatment outcomes for patients. We also highlight current barriers to wide-scale implementation of PGx-guided dosing as standard or care in clinical settings.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,007 |
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 ».