Selectividad notas de corte

Rango del índice de selectividad

ResumenAntecedentesLa selectividad de los compuestos es una cuestión importante a la hora de desarrollar un nuevo fármaco. En muchos casos, la falta de selectividad puede traducirse en una mayor toxicidad. Las proteínas quinasas están especialmente preocupadas por esta cuestión porque comparten una gran similitud estructural y de secuencia. Sin embargo, la selectividad puede evaluarse desde el principio utilizando datos generados por paneles de perfiles de proteínas quinasas.ResultadosPara guiar la optimización de pistas en proyectos de descubrimiento de fármacos, proponemos aquí dos nuevas métricas de selectividad, a saber, la puntuación de ventana (WS) y la puntuación de clasificación (RS). Estas métricas pueden aplicarse a datos estándar in vitro, incluyendo la actividad/afinidad intrínseca de la enzima (Ki, IC50 o porcentaje de inhibición), la potencia basada en células (porcentaje de efecto, EC50) o incluso los datos cinéticos (Kd, Kon y Koff). Ambos son fáciles de calcular y ofrecen diferentes puntos de vista desde los que considerar la selectividad de los compuestos.ConclusionesRealizamos un análisis comparativo de su rendimiento respectivo en varios conjuntos de datos frente a las métricas de selectividad ya publicadas y analizamos cómo podrían influir en la selección de compuestos. Nuestros resultados mostraron que las dos nuevas métricas aportan información adicional para priorizar la selección de compuestos.Resumen gráficoSe desarrollaron dos nuevas métricas para estimar mejor la selectividad de los compuestos examinados en múltiples proteínas.

Puntuación de la selectividad de la cinasa

Resumen Hemos desarrollado una solución algorítmica sistemática para la puntuación cuantitativa de la sensibilidad a los fármacos (DSS), basada en el modelado continuo y la integración de múltiples relaciones dosis-respuesta en estudios de pruebas de compuestos de alto rendimiento. La estimación del modelo matemático y la interpolación continua hacen que el enfoque de puntuación sea robusto frente a las fuentes de variabilidad técnica y ampliamente aplicable a diversos entornos experimentales, tanto en modelos de líneas celulares de cáncer como en células primarias derivadas de pacientes. Aquí demostramos su rendimiento mejorado respecto a otros parámetros de respuesta, especialmente en un estudio de caso de pacientes con leucemia, en el que el DSS diferencial entre las células del paciente y las de control permitió la identificación tanto de fármacos selectivos para el cáncer como de subgrupos de pacientes sensibles a los fármacos, así como la monitorización dinámica de los patrones de respuesta y las señales de controladores oncogénicos durante la progresión del cáncer y la recaída en células individuales de pacientes ex vivo. Una implementación de código abierto y fácilmente extensible del cálculo DSS se pone a disposición de forma gratuita para apoyar su aplicación a medida para traducir los resultados de las pruebas de sensibilidad a los fármacos en opciones de tratamiento clínicamente accionables.

Índice de selectividad de los medicamentos contra el cáncer

Las curvas ROC se utilizan con frecuencia para mostrar de forma gráfica la conexión/compensación entre la sensibilidad y la especificidad clínicas para cada punto de corte posible de una prueba o una combinación de pruebas. Además, el área bajo la curva ROC da una idea sobre el beneficio de utilizar la(s) prueba(s) en cuestión.
Como el área bajo una curva ROC es una medida de la utilidad de una prueba en general, donde un área mayor significa una prueba más útil, las áreas bajo las curvas ROC se utilizan para comparar la utilidad de las pruebas.
En la actualidad, las curvas ROC se utilizan con frecuencia para mostrar la conexión entre la sensibilidad y la especificidad clínicas para cada punto de corte posible de una prueba o una combinación de pruebas. Además, el área bajo la curva ROC da una idea sobre el beneficio de utilizar la(s) prueba(s) en cuestión.
Para realizar una curva ROC hay que estar familiarizado con los conceptos de verdadero positivo, verdadero negativo, falso positivo y falso negativo. Estos conceptos se utilizan cuando se comparan los resultados de una prueba con la verdad clínica, que se establece mediante el uso de procedimientos de diagnóstico en los que no interviene la prueba en cuestión.

Qué es un buen índice de selectividad

ResumenLa terapia cognitivo-conductual (TCC) se considera generalmente el enfoque recomendado para el mutismo selectivo (MS). Los estudios prospectivos de seguimiento del MS tratado y los predictores del resultado son escasos. Hemos desarrollado una intervención de TCC en el hogar y en la escuela para niños con MS que previamente se encontró que aumentaba el habla en un estudio piloto de eficacia y en un estudio de tratamiento controlado aleatorio. En el presente informe proporcionamos datos de resultados 1 año después de haber completado el curso de 6 meses de TCC para 24 niños con SM, de 3 a 9 años (edad media de 6,5 años, 16 niñas). Las medidas de resultado primarias fueron el Cuestionario del Habla en la Escuela (SSQ) calificado por el profesor y el estado de diagnóstico. En el seguimiento, no se encontró un descenso significativo en las puntuaciones del SSQ. La edad y la gravedad del síndrome de Down tuvieron un efecto significativo sobre el resultado, medido por el SSQ. Ocho niños seguían cumpliendo los criterios de diagnóstico de SM, cuatro estaban en remisión y 12 niños no tenían diagnóstico. Los niños más pequeños mejoraron más, ya que el 78% de los niños de 3-5 años no tenían SM, en comparación con el 33% de los niños de 6-9 años. La mejora del tratamiento se mantuvo durante el seguimiento. La mayor mejora en los niños más pequeños pone de manifiesto la importancia de una intervención temprana.