Designing of potential siRNA molecules for African norovirus gene silencing: A computational approach
Notice bibliographique
Résumé
Introducing siRNAs into cells could degrade specific messenger RNA (mRNA) molecules, reducing the expression of the corresponding protein encoded by those mRNA molecules. Norovirus is the leading cause of both epidemic and pandemic acute gastroenteritis, which is inflammation of the stomach and intestine worldwide, and, as of present, no efficient vaccine is available to combat this norovirus disease. Since siRNA, therapeutics have gained significant attention for their potential to target and silence disease-causing genes. Our study utilizes different computational tools to design siRNA agents against the polyprotein of norovirus without causing off-target effects. According to the results of GC (guanine-cytosine) content, fold-free energy, binding energy, melting temperature, efficacy predictions, and molecular docking against human argonaute 2 protein (AGO2), two siRNA molecules are expected to exert the most effective action. The effectiveness and efficiency of siRNAs against norovirus need to be further examined in vivo before their use as alternative and practical molecular therapeutic agents. • Potential siRNA molecules were identified to target and silence the African Norovirus infection gene. • Molecular docking and dynamics simulations confirmed the binding efficiency and interaction stability of the most promising siRNA with human AGO2 protein. • The findings may facilitate the creation of novel Norovirus therapies, but necessitate additional in vitro and in vivo validation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».