Opioid Analgesics: Rise and Fall of Ligand Biased Signalig and Future Perspectives in the Quest for the Holy Grail
Notice bibliographique
Résumé
Opioid analgesics have been used for more than 5,000 years and remain the main pain medications prescribed today. Although morphine is considered the gold standard of pain relief, this selective µ-opioid receptor (MOP) agonist provides only moderate relief for many chronic pain conditions, and produces a number of unwanted effects that can affect the patient’s quality-of-life, prevent adherence to treatment or lead to addiction. In addition to the lack of progress in developing better analgesics, there have been no significant breakthroughs to date in combating the above-mentioned side effects. Fortunately, a better understanding of opioid pharmacology has given renewed hope for the development of better and safer pain medications. In this review, we describe how clinically approved opioids were initially characterized as biased ligands and what impact this approach might have on clinical practice. We also looked at the preclinical and clinical development of biased MOP agonists, focusing on the history of oliceridine, the first specifically designed biased analgesic. In addition, we explore the discrepancies between ligands with low intrinsic efficacy and those with biased properties. Finally, we examine the rationale behind the development of biased ligands during the opioid crisis.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 ».