Advancing gene-editing platforms to improve the viability of rare-disease therapeutics: key insights from a 2024 Scientific Exchange hosted by ARM, ISCT, and Danaher
Notice bibliographique
Résumé
Rare-disease therapeutics face viability challenges due to small patient populations and drug-development and regulatory frameworks that were not developed to address rapidly progressive or quickly fatal conditions. Because the majority of rare diseases are genetic in nature, gene-editing modalities offer substantial promise. This Scientific Exchange, co-hosted by the Alliance for Regenerative Medicine, the International Society for Cell and Gene Therapy, and Danaher Corporation in November 2024, set out to address the challenge of realizing the full promise of gene editing for rare-disease therapies by advancing platforms that leverage stable and reusable processes or components to develop multiple therapies. Through multi-stakeholder engagement and discussions of case studies in CRISPR/Cas nuclease, base, and prime editing, 4 key opportunities emerged that deliver value by holding platform elements constant and/or streamlining development steps: (1) consistent delivery vehicle; (2) consistent manufacturing; (3) benefit-risk appropriate quality requirements; and (4) expansive clinical trial designs. Together, these opportunities could yield up to 5-fold efficiency gains and result in substantial value creation for patients, regulators, and developers, potentially decreasing the time required to dose patients with a new gene-editing therapy from years down to 6 months.
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 | 0,023 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».