Das coronavirus hat die Welt in seinem Griff. Das finden einer Heilung so wichtig wie noch nie. Leider hat die Entwicklung von neuen Drogen für die Behandlung der COVID-19-Krankheit, verursacht durch das virus und der Entwicklung eines Impfstoffs sind komplexe, langwierige und vor allem kostspielige Prozesse. Mit Hilfe von computer-Modellen, kann dies beschleunigt werden. Forscher am Zentrum für Computational Life Sciences (CCLS) sind Erforschung dieser Modelle, um Kosten zu reduzieren und beschleunigen den Prozess der Arzneimittelentwicklung.
Traditionelle Forschung ist teuer
„Im Durchschnitt, die Entwicklung eines Medikamentes dauert mehr als zehn Jahre und kostet mehr als eine Milliarde Dollar“, sagt Gerard van Westen, einer der Forscher im Zusammenhang mit CCLS. Er arbeitet auf dem maschinellen lernen angewendet, um medizinische Chemie zu erkunden, der massive Chemie-Raum der potenzielle neue Medikamente. „Ein Medikament ist ein Molekül, das muss viele Anforderungen erfüllen. Auf der einen Seite muss es halten, um das Ziel im Körper, und auf der anderen, muss es nicht verursachen keine Nebenwirkungen. Es müssen auch die richtigen Eigenschaften, so dass es löslich ist; in den Körper aufgenommen, und landet in der richtigen Stelle in den Körper. In meiner Forschung, die wir haben, um das Gleichgewicht aller dieser, oft widersprüchliche Ziele gleichzeitig.“
Als ein Ergebnis, viele Wirkstoff-Kandidaten nicht machen es vorbei an der Ziellinie. Dies geschieht oft in der letzten phase, in der die Medikamente sind klinisch getestet von Probanden und Patienten. Mit Hilfe von machine-learning -, oder genauer gesagt Tiefe lernen, neue potentielle Kandidaten Medikamente erzeugt werden. Van Westen anschließend nutzt machine-learning-Verfahren wählen Sie die vielversprechendsten potenziellen Medikamente. Diejenigen, die wird wahrscheinlich nicht machen es bis zur Ziellinie, können abgeschrieben werden, in einem frühen Stadium. Nach der Auswahl der Moleküle, Sie sind in der Chemie-Labor getestet und in biochemischen assays zu beobachten, wenn die Moleküle Verhalten sich wie der computer vorhergesagt. „Die Einbindung von Rechnern macht den gesamten Prozess effizienter zu gestalten und Kosten senken zu können“, erklärt Van Westen.
Der Schlüssel passt in das Schloss
„Das Molekül muss passen der rezeptor in der Zellmembran. Also wir sind eigentlich auf der Suche in einem Haufen von Schlüsseln für die ein Schlüssel passt in das Schloss“, sagt Michael Emmerich, der ist auch mit CCLS. „In den Daten suchen wir diese mit Hilfe der simulation und 3-dimensionale Befestigung. Der Vorteil hierbei ist, dass aus den Daten nur Moleküle, die an den rezeptor binden, sind identifiziert als mögliche Kandidaten. „Dies ist jedoch ineffizient, weil jedes Molekül muss separat untersucht werden“, erklärt Emmerich. „Die Lösung ist die machine-learning-kombiniert mit multi-Kriterien Optimierung von algorithmen. Multi-Kriterien-Optimierung algorithmen machen es möglich, einen Vergleich der unterschiedlichen alternativen oder Szenarien auf der basis von vielen, oft widersprüchlichen Kriterien. „Basierend auf früheren Daten, die wir Vorhersagen können, wie ein Molekül Verhalten wird und ob es schließlich in der Lage, an den rezeptor binden. Innerhalb der Leiden Institute of Advanced Computer Science (LIACS) wir führen eine umfangreiche Forschung, die in diese machine-learning-Modelle und einige von Ihnen mit der multikriteriellen Optimierung Methoden, die kann durchsuchen Sie die riesige Raum aller möglichen Moleküle für optimale Kandidat Moleküle mit Bezug auf widersprüchliche Kriterien.“
Erkennen von Nebenwirkungen in lebenden Zellen
Sobald ein potenzielles Medikament gefunden wurde, in der High-Throughput-Screening (HTS) eine Lösung anbieten können, zu identifizieren, mögliche Nebenwirkungen. HTS kann schnell zu identifizieren, die aktive Substanzen, Antikörper oder Gene, die führt für drug design und ein Verständnis für das Zusammenwirken oder die Rolle der identifizierten biochemischen Prozesse. Lu Cao, Hochschullehrer an der LIACS und auch verbunden mit CCLS, ist ein Experte in diesem Bereich. „Computer-Modelle können filter medikamentenkandidaten basierend auf Vorhersagen. Aber die Vorhersage, wie ein Medikament reagiert, die in einem lebenden Organismus immer schwieriger. High-Throughput-Screening kann einen Einblick geben, dies durch die Arbeit mit lebenden Zellen. Als ein Ergebnis, alle Nebenwirkungen eines potenziellen Medikaments entdeckt werden kann, bevor klinische Tests, die zur früheren Entdeckung eines potenziell toxische Droge.“
Coronavirus
Im Rahmen des coronavirus, CCLS Forscher versuchen zu unterstützen, wo Sie können. Zum Beispiel, mit der Ph. D.-Student Patrick Echtenbruck und Professor Boris Naujoks vom TH Köln, Emmerich sucht vielversprechende antivirale Moleküle, die bereits genehmigt wurden, als Drogen-verbindungen. Dieser Prozess ist bekannt als Medikament exportieren. Eine Idee ist es, binden dann an Rezeptoren der Lunge Zellen, wie etwa den ACE2-rezeptor. Dieser rezeptor ist, wo die SARS-CoV2 virus in die Zelle und startet die Replikation. Emmerich entwickelt mit seinem team und die Leute von LACDR ein machine learning Programm, um zu bestimmen, ob ein Molekül geeignet ist oder nicht mit Bezug auf mehrere Kriterien. In einer früheren Studie, die in Zusammenarbeit mit Van Westen und LACDR diese Methode erwies sich als sehr erfolgreich für andere Arten von Drogen.
Van Westen startete eine drei-dimensionale virtuelle screening-Kampagne (‚docking‘), auf der Suche nach kleine Moleküle, die aktiv gegen SARS-CoV-2-Infektion. In eine ähnliche Umwidmung Ansatz diese Moleküle umfassen die überprüfung aller zugelassenen Medikamente für die Affinität gegenüber bekannten viralen Ziele wie die virale protease. Sie haben festgestellt, einige potenziell aktive Moleküle, die garantieren, follow-up-screening und biologischen Validierung.