Exploring Epigenetic Drug Discovery Using Computational Approaches
Notice bibliographique
Résumé
The misregulation of epigenetic mechanisms has been linked to disease. Current drugs that treat these dysfunctions have had some success, however many have variable potency, instability in vivo and lack target specificity. This may be due to the limited knowledge of epigenetic mechanisms, especially at the molecular level, and their association with gene expression and its link to disease. Computational approaches, specifically in molecular modeling, have begun to address these issues by complementing phases of drug discovery and development, however, more research is needed on the relationship between genetic mutation and epigenetics and their roles in disease. Gene regulatory network models have been used to better understand diseases, however inferring these networks poses several challenges. To address some of these issues, a multi-label classification technique to infer regulatory networks (MInR), supplemented by semi-supervised, learning is presented. MInR's performance was found to be comparable to other methods that infer regulatory networks when evaluated on a benchmark E. coli dataset. In order to better understand the association of epigenetics with gene expression and its link with disease, MInR was used to infer a regulatory network from a Kidney Renal Clear Cell Carcinoma (KIRC) dataset and was supplemented with gene expression and methylation analysis. Gene expression and methylation analysis revealed a correlation between 5 differentially methylated CpGs and their matched differentially expressed transcripts. Incorporating this information into a network allowed for the visualization of potential systems that may be involved in KIRC. Future analysis of these systems alongside the drug discovery and development process may lead to the discovery of novel therapeutics.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».