Biased agonism in psychopharmacology: an opportunity to improve efficacy and safety of treatments
Notice bibliographique
Résumé
G protein-coupled receptors (GPCRs) are involved in many physiological and pathophysiological processes. Conventional pharmacological models categorize the typology of pharmacologic ligands as agonists or antagonists. Biased agonism is a relatively newer pharmacodynamic characteristic that has potential to optimize therapeutic efficacy while minimizing adverse effects in psychiatric and neurological treatments. We conducted a narrative literature review of articles obtained from PubMed, Embase, and MEDLINE from inception to April 2025, focusing on pharmacologic antagonism (i.e., competitive, noncompetitive, uncompetitive) and agonism (i.e., full, partial, inverse, superagonism, biased). Primary and secondary articles defining these concepts were included, provided they addressed pharmacologic (rather than chemical) antagonism and agonism. Distinct mechanisms of antagonism and agonism were identified, each contributing nuanced receptor modulation beyond the conventional models. Notably, biased agonism facilitates targeted intracellular signaling (e.g., G protein- versus β-arrestin-mediated). Use cases demonstrate relatively greater efficacy (e.g., incretin receptor agonist, tirzepatide) and improved safety (e.g., serotonergic psychedelics, opioids). Biased agonism provides a potential avenue for future drug development, with emerging preclinical evidence suggesting potential to differentially activate intracellular pathways and thereby improve efficacy and safety profiles of psychopharmacologic agents-pending clinical validation. Future research vistas should aim to rigorously assess the long-term outcomes of biased agonism, explicitly addressing individual variability in receptor signaling and therapeutic response.
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 ».