Integrating Machine Learning-Based Approaches into the Design of ASO Therapies
Notice bibliographique
Résumé
Rare diseases impose a significant burden on affected individuals, caregivers, and healthcare systems worldwide. Developing effective therapeutics for these small patient populations presents substantial challenges. Antisense oligonucleotides (ASOs) have emerged as a promising therapeutic approach that targets the underlying genetic cause of disease at the RNA level. Several ASOs have gained FDA approval for the treatment of genetic conditions, including use in personalized N-of-1 trials. However, despite their potential, ASOs often exhibit limited clinical efficacy, and optimizing their design is a complex process influenced by numerous factors. Machine learning-based platforms, including eSkip-Finder and ASOptimizer, have been developed to address these challenges by predicting optimal ASO sequences and chemical modifications to enhance efficacy. eSkip-Finder focuses on exon-skipping applications, while ASOptimizer aims to optimize ASOs for RNA degradation. Preliminary in vitro results have demonstrated the promising predictive power of these platforms. However, limitations remain, including their generalizability to alternative targets and gaps in their consideration of all factors influencing ASO efficacy and safety. Continued advancements in machine learning models, alongside efforts to incorporate additional features affecting ASO efficacy and safety, hold significant promise for the field. These platforms have the potential to streamline ASO development, reduce associated costs, and improve clinical outcomes, positioning machine learning as a key tool in the future of ASO therapeutics.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».