Meta-Analysis and Topological Perturbation in Interactomic Network for Antiopioid Addiction Drug Repurposing
Notice bibliographique
Résumé
The ongoing opioid crisis highlights the urgent need for novel therapeutic strategies that can be rapidly deployed. This study presents a novel approach to identify potential repurposable drugs for the treatment of opioid addiction, aiming to bridge the gap between transcriptomic data analysis and drug discovery. Specifically, we perform a meta-analysis of seven transcriptomic data sets related to opioid addiction by differential gene expression (DGE) analysis and propose a novel multiscale topological differentiation to identify key genes from a protein-protein interaction (PPI) network derived from DEGs. This method uses persistent Laplacians to accurately single out important nodes within the PPI network through a multiscale manner to ensure high reliability. Subsequent functional validation by pathway enrichment and rigorous data curation yields 1,865 high-confidence targets implicated in opioid addiction, which are cross-referenced with DrugBank to compile a repurposing candidate list. To evaluate drug-target interactions, we construct predictive models utilizing two natural language processing-derived molecular embeddings and a conventional molecular fingerprint. Based on these models, we prioritize compounds with favorable binding affinity profiles, and select candidates that are further assessed through molecular docking simulations to elucidate their receptor-level interactions. Additionally, pharmacokinetic and toxicological evaluations are performed via ADMET (absorption, distribution, metabolism, excretion, and toxicity) profiling, providing a multidimensional assessment of druggability and safety. This study offers a generalizable approach for drug repurposing in other complex diseases beyond opioid addiction.
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) | 0,000 | 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 | 0,000 |
| 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 ».