Développement de nouveaux vecteurs protéiniques pour le transport physiologique d’agents thérapeutiques vers le système nerveux central
Bibliographic record
Abstract
Le système nerveux central (SNC) est un sanctuaire protégé par des barrières, dont la barrière hémato-encéphalique (BHE). L’existence de la BHE est liée à la nature spécifique des cellules endothéliales des capillaires cérébraux qui permettent l’accès au cerveau des éléments nutritifs nécessaires à la fonction et à la survie des cellules cérébrales. Mais ces propriétés entraînent l’impossibilité pour des composés thérapeutiques petits et grands d’atteindre le cerveau à des concentrations thérapeutiques. Diverses stratégies ont été envisagées afin d’augmenter la quantité et la concentration de ces composés dans le parenchyme cérébral. Le développement de nouvelles technologies associées à de nouveaux vecteurs peptidiques a pour but de faciliter le transport de composés actifs à travers la BHE pour atteindre des concentrations thérapeutiques dans le cerveau et traiter des maladies du SNC comme le cancer ou les maladies neurodégénératives. Dans cet article, le développement de nouveaux vecteurs peptidiques permettant le ciblage de médicaments au cerveau à l’aide d’approches physiologiques sera abordé. À côté de la technologie de plateforme Angiopep qui est en développement chez Angiochem Inc., actuellement la plus avancée car au stade des essais cliniques humains, la technologie développée par biOasis Technologies Inc., Transcend, utilisant la mélanotransferrine (MTf) pour le transport de produits biologiques, tels que des enzymes lysosomales et des anticorps, ainsi que d’autres technologies seront discutées.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".