RNAi and the drug discovery process
Notice bibliographique
Résumé
Introduction Drug discovery is a complex process that seeks to identify therapeutics for treating human disease. It has very high failure rate, and by one estimate, the total cost for a therapeutic successfully brought to market is 803 million dollars (DiMasi et al., 2003). Failure occurs at all points in the process, with failures at the pre-development stages being the most common, and failures at the clinical stages being the most costly. Scientists working in drug discovery are continually challenged to identify ways to improve the process. Current efforts are largely “target-based” approaches. Once chosen, the target may be studied in vitro for more than a year, and in model systems of the disease for up to four years. Errors in determining whether a given target is truly effective in treating a disease may not be detected until Phase II or Phase III clinical studies, which follow many years of study and a financial investment of tens or hundreds of millions of dollars. As such, target validation is a critical aspect of the drug discovery process. The pharmaceutical industry has invested heavily in genomics because of its promise to provide a continuing supply of drug targets (Wiley, 1998; Ohlstein et al., 2000; Baba, 2001). Implicit in this investment has been the expectation that the targets provided by genomics are highly validated (Debouck and Metcalf, 2000). Thus, genomics has grown broadly across the drug discovery process, from target identification to phamacogenomics.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,006 |
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 ».