Trends in covalent drug discovery: a 2020–23 patent landscape analysis focused on select covalent reacting groups (CRGs) found in FDA-approved drugs
Notice bibliographique
Résumé
INTRODUCTION: Covalent drugs contain electrophilic groups that can react with nucleophilic amino acids located in the active sites of proteins, particularly enzymes. Recently, there has been considerable interest in using covalent drugs to target non-catalytic amino acids in proteins to modulate difficult targets (i.e. targeted covalent inhibitors). Covalent compounds contain a wide variety of covalent reacting groups (CRGs), but only a few of these CRGs are present in FDA-approved covalent drugs. AREAS COVERED: This review summarizes a 2020-23 patent landscape analysis that examined trends in the field of covalent drug discovery around targets and organizations. The analysis focused on patent applications that were submitted to the World International Patent Organization and selected using a combination of keywords and structural searches based on CRGs present in FDA-approved drugs. EXPERT OPINION: A total of 707 patent applications from >300 organizations were identified, disclosing compounds that acted at 71 targets. Patent application counts for five targets accounted for ~63% of the total counts (i.e. BTK, EGFR, FGFR, KRAS, and SARS-CoV-2 Mpro). The organization with the largest number of patent counts was an academic institution (Dana-Farber Cancer Institute). For one target, KRAS G12C, the discovery of new drugs was highly competitive (>100 organizations, 186 patent applications).
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) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; 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 ».