Multi-target drug discovery for rheumatoid arthritis: a comprehensive computational approach using bioactive compounds
Notice bibliographique
Résumé
Rheumatoid arthritis (RA) is one of the most common inflammatory diseases in the world. Due to this importance, several drugs have been produced against effective targets in the pathogenesis of the disease. Considering various inflammatory pathways involved in RA, targeting each of these pathways alone cannot achieve sufficient improvement of the patients. Therefore, this study aimed to introduce safe natural product drug candidates screened in silico against several important protein targets (multi-targets) in the pathogenesis of RA. Tyrosine kinase 2 is a member of the Janus Kinase family, and due to its role in the signaling of numerous cytokines, its inhibition is considered an effective treatment option in inflammatory diseases. IL-6 is one of the most important innate immune cytokines that is secreted from activated macrophages in RA, and its level is directly related to the severity of joint destruction. Therefore, its inhibition plays an important role in improving the symptoms of RA. Also, the severity of the disease is directly related to the level of ACPA in the serum and synovial fluid of patients. Therefore, inhibiting its production by precluding the differentiation of B lymphocytes into plasma cells can improve the disease. In this study, after Virtual Screening, Molecular Docking, and Molecular Dynamics, we introduced Rutaecarpine, Hecogenin, Angustine, and Vomicine as new drug candidates for the treatment of RA. Rutaecarpine, Hecogenin, and Angustine inhibit all three targets with high affinity and stability, while Vomicine inhibits both TYK2 and IL-6 but not CD20. Future experimental studies can verify these findings.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».