MétaCan
Menu
Retour à la cohorte
Enregistrement W4403911144 · doi:10.1146/annurev-cancerbio-061824-105806

Development of PROTAC Degrader Drugs for Cancer

2024· article· en· W4403911144 sur OpenAlexfundno aff
Vesna Vetma, Suzanne O’Connor, Alessio Ciulli

Notice bibliographique

RevueAnnual Review of Cancer Biology · 2024
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueProtein Degradation and Inhibitors
Établissements canadiensnon disponible
Organismes subventionnairesOno PharmaceuticalStichting Kinderen KankervrijDirectorate for Biological SciencesEisaiEuropean Federation of Pharmaceutical Industries and AssociationsMerck KGaAInstitut National Du CancerCancer Research UKMcGill UniversityEuropean CommissionAmgen
Mots-clésCancerMedicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

The development of novel drug modalities is necessary to overcome the current critical issues in the treatment of cancer, namely toxicity, insufficient efficacy, and the development of resistance. Unlike classical small molecule inhibitors that only block a single function or interaction of a protein involved in oncogenic signaling, proteolysis-targeting chimeras (PROTACs) degrade the entire protein, thus offering a potential paradigm shift. PROTACs are bivalent small molecules that recruit a target protein in proximity to an E3 ligase, promoting the transfer of ubiquitin, which marks the protein for proteasomal degradation. Because of their unique properties, PROTACs offer an attractive alternative as targeted therapeutics. The first PROTAC entered the clinic 5 years ago, and since then more than 30 have followed. In this review, we discuss the current compounds being investigated in the clinic, the key aspects of their design, and their potential for treating cancer.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,722
Score d'incertitude au seuil0,340

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,365
Écart entre enseignants0,350 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations42
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnual Review of Cancer BiologyMême sujetProtein Degradation and InhibitorsTravaux en français237 207