Microbes and medicines: interrelationships between pharmaceuticals and the gut microbiome
Notice bibliographique
Résumé
The human gut microbiome plays a critical role in modulating pharmacological and toxicological responses to medications. With a gene pool vastly exceeding that of the human host, the gut microbiome acts as a metabolically active organ capable of transforming, inactivating, or accumulating drugs. This review explores the bidirectional interplay between prescription medicines and the gut microbiome, encompassing three key mechanisms: direct biotransformation by microbial enzymes, indirect modulation of host metabolism and signaling pathways, and drug bioaccumulation within microbial cells. Particular attention is given to six major drug classes: immunotherapeutics, chemotherapeutics, antidepressants, statins, hypoglycemics, and antihypertensives. The ways in which individual microbial profiles can influence therapeutic outcomes are also reviewed. We examined how common non-antibiotic pharmaceuticals can significantly alter microbial diversity and promote antimicrobial resistance. Strategies to enhance drug efficacy through microbiome modulation, including probiotics, prebiotics, and fecal microbiota transplantation (FMT), are critically assessed. Experimental models ranging from in vitro batch and chemostat systems to animal and clinical studies are compared in terms of their utility for studying drug‒microbiome interactions. Finally, emerging evidence suggesting the gut microbiota composition may serve as a predictive biomarker for personalized medicine and therapeutic success is highlighted. Understanding and harnessing the complex interrelationships between medicines and microorganisms could offer novel avenues to optimize treatment outcomes and mitigate adverse drug effects.
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 | 0,001 |
| 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 ».