NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Tıbbi tedavilerin gelişimi geleneksel olarak araştırmacıların hastalık mekanizmalarını hipotezlemek ve terapötik ajanları tanımlamak için bilimsel bilgiden yararlanmalarına dayanmaktadır. Bununla birlikte, yeni terapötik hedeflerin tükenmesi önemli bir zorluk haline geldi ve farmasötik araştırmalarda durgunluk yarattı.Terapatik hedeflerin kıtlığını gidermek için, hastalıklara yönelik terapötik hedef moleküllerini tahmin edebilen bir makine öğrenimi (ML) tabanlı sistem geliştirdik. Yararını doğrulamak için, bu sistemi sedef hastalığına uyguladık, yeni tedavi stratejilerini tanımlamayı amaçladık. Metodlar Yaklaşımımız, ilgi alanlarının hastalıklarının önlenmesiyle ilişkili tüm ilaçlar için raporlama oranlarının hesaplanması için büyük bir klinik veritabanı kullandı. Hedef proteinleri, önleyici ilaç adayları ile yaygın olarak ilişkili proteinleri keşfetmek için büyük kimyasal yapı veritabanlarını analiz ederek belirledik. Deneysel doğrulama, imiquimod kaynaklı sedef faresi modelinde öngörülen bir terapötik adayın uygulanmasıyla gerçekleştirildi.Sonuçlar ML tabanlı tahminler, Parkinson hastalığı için ilaçları sedef hastalığı için potansiyel önleyici adaylar olarak tanımladı. Daha ileri analizler, dopamin reseptörü D2 (DRD2)'yi terapötik bir hedef olarak vurguladı. Bir DRD2 agonistinin uygulanması farelerde sedef semptomlarını hafifletti, IL-17 yolunda mRNA ekspresyonunun aşağı düzenlenmesi ve serum tümör nekroz faktörü-alfa seviyelerinin azalmasıyla kanıtlandı.Bu çalışma, DRD2'nin sedef hastalığındaki rolünü ortaya çıkarmadaki başarılı uygulamasıyla gösterildiği gibi, terapötik hedefleri tanımlamak için yeni bir ML tabanlı sistemin yararını göstermektedir. Sedef hastalığının ötesinde, bu sistem patolojik mekanizmaları keşfetmek ve çeşitli hastalıklarda terapötik hedefleri keşfetmek için önemli bir potansiyel sunmaktadır.
Özgün kaynak özetini okuyun
BackgroundThe development of medical treatments has traditionally relied on researchers leveraging scientific knowledge to hypothesize disease mechanisms and identify therapeutic agents. However, the depletion of novel therapeutic targets has become a significant challenge, resulting in stagnation within pharmaceutical research.ObjectiveTo address the scarcity of therapeutic targets, we developed a machine learning (ML)-based system capable of predicting therapeutic target molecules for diseases. To validate its utility, we applied this system to psoriasis, aiming to identify novel treatment strategies.MethodsOur approach utilized a large clinical database to calculate reporting odds ratios for all drugs associated with the prevention of diseases of interest. We identified target proteins by analyzing large chemical structure databases to discover proteins commonly associated with preventive drug candidates. Experimental validation was conducted by administering a predicted therapeutic candidate in an imiquimod-induced psoriasis mouse model.ResultsThe ML-based predictions identified drugs for Parkinson's disease as potential preventive candidates for psoriasis. Further analysis highlighted dopamine receptor D2 (DRD2) as a therapeutic target. Administration of a DRD2 agonist alleviated psoriasis symptoms in mice, evidenced by the downregulation of mRNA expression in the IL-17 pathway and reduced serum tumor necrosis factor-α levels.ConclusionThis study demonstrates the utility of a novel ML-based system for identifying therapeutic targets, as shown by its successful application in uncovering the role of DRD2 in psoriasis. Beyond psoriasis, this system offers significant potential for exploring pathological mechanisms and discovering therapeutic targets across various diseases.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.