CANDO-Plattform: Ein echter Game Changer in der Arzneimittelentdeckung
Die CANDO-Plattform verbessert die Effizienz und Effektivität der Medikamentenentdeckung für Forscher.
Melissa Van Norden, William Mangione, Zackary Falls, Ram Samudrala
― 6 min Lesedauer
Inhaltsverzeichnis
- Die Rolle der Technologie in der Medikamentenentdeckung
- Was ist eine Plattform zur Medikamentenentdeckung?
- Verständnis von Benchmarking
- Die Bedeutung der Datenqualität
- Die CANDO-Plattform
- Neue Protokolle für Benchmarking
- Parameteroptimierung in der Medikamentenentdeckung
- Einfluss anderer Faktoren
- Vergleich der Medikamenten-Bedingungs-Zuordnungen
- Head-to-Head-Pipeline-Vergleich
- Fazit: Fortschritte in der Medikamentenentdeckung
- Originalquelle
- Referenz Links
Neue Medikamente zu entwickeln ist ein komplexer und teurer Prozess. 2010 wurde geschätzt, dass für jedes genehmigte Medikament 24,3 Projekte abgeschlossen wurden, die ein neues Medikament finden sollten. Das bedeutet, dass es viel Arbeit gibt, die oft auf Sackgassen hinausläuft. Schätzungen deuten darauf hin, dass die Entwicklung eines neuen Medikaments zwischen 985 Millionen und über 2 Milliarden Dollar kosten kann. Aua!
Angesichts dieser Herausforderungen sind Wissenschaftler ständig auf der Suche nach Möglichkeiten, den Prozess effizienter und kostengünstiger zu gestalten, damit sie neue und bestehende Medikamente finden können, die bei verschiedenen Krankheiten helfen.
Die Rolle der Technologie in der Medikamentenentdeckung
Computertechnologie spielt eine wichtige Rolle bei der Suche nach neuen Medikamenten. Stell dir vor, es ist wie ein leistungsstarker Assistent, der Forschern hilft, durch Berge von Daten zu sichten und Muster zu finden, die zu neuen Medikamentenkandidaten führen könnten. Tausende von wissenschaftlichen Arbeiten wurden bereits veröffentlicht, die zeigen, wie Computer Forschern helfen können, bessere Ideen für Medikamente zu entwickeln.
Diese modernen Methoden reichen von einfachen Techniken, wie zum Beispiel der Betrachtung, wie ein Molekül mit einem anderen interagiert, bis hin zu komplizierteren Techniken, die künstliche Intelligenz beinhalten. Mit der globalen Pandemie wurde der Bedarf an effektiver Medikamentenentwicklung noch deutlicher. Zuverlässige Prozesse der Medikamentenentdeckung sind entscheidend, um sicherzustellen, dass wir schnell wirksame Behandlungen entwickeln können.
Was ist eine Plattform zur Medikamentenentdeckung?
Eine Plattform zur Medikamentenentdeckung ist wie ein Werkzeugkasten zur Suche nach neuen Medikamenten. Sie besteht aus verschiedenen Verfahren und Methoden, die zusammenkommen, um den Forschern zu helfen, potenzielle neue Medikamente für spezifische Probleme zu identifizieren. Das umfasst normalerweise die Auswahl von Zielstrukturen für Medikamente, das Testen, wie Medikamente mit diesen Zielstrukturen interagieren, und das Bewerten der potenziellen Kandidaten basierend auf ihrer Wirksamkeit.
Einige Plattformen konzentrieren sich zum Beispiel darauf, vorherzusagen, wie Medikamente mit Proteinen in unserem Körper interagieren. Andere versuchen, neue Anwendungen für bestehende Medikamente zu finden, indem sie ihnen gewissermassen eine zweite Chance geben.
Benchmarking
Verständnis vonBenchmarking ist eine Möglichkeit, zu bewerten, wie gut diese Plattformen zur Medikamentenentdeckung abschneiden. Stell dir das wie ein Wettlauf vor, bei dem verschiedene Plattformen miteinander verglichen werden, um zu sehen, welche die besten Ergebnisse liefert. Gutes Benchmarking kann Forschern helfen herauszufinden, welche Plattform für eine bestimmte Aufgabe am besten geeignet ist, wie zum Beispiel die Suche nach einer neuen Behandlung für eine Krankheit.
Allerdings kann Benchmarking knifflig sein. Die Art und Weise, wie Ergebnisse verglichen werden, kann von Studie zu Studie unterschiedlich sein, was es schwierig macht zu wissen, welche Plattform tatsächlich besser abschneidet. Manchmal testen Forscher nur ähnliche Plattformen mit ähnlichen Daten, was das Verständnis der Gesamtleistung erschwert.
Die Bedeutung der Datenqualität
Für ein effektives Benchmarking benötigen Forscher zuverlässige und hochwertige Daten. Oft greifen sie auf verschiedene Datenbanken zurück, um Informationen über Medikamente und ihre zugehörigen Bedingungen zu erhalten. Allerdings werden zurzeit viele unterschiedliche Datentypen verwendet, und wie sie in Trainings- und Testsets aufgeteilt werden, kann ebenfalls variieren.
Eine beliebte Methode ist die k-fache Kreuzvalidierung, die es Forschern ermöglicht, jedes verfügbare Medikament-Bedingungspaar strukturiert zu testen. Aber einige verwenden auch einfachere Methoden, die möglicherweise nicht die gleiche Tiefe der Analyse bieten.
Die CANDO-Plattform
Die CANDO-Plattform ist eines der neuesten Werkzeuge, die entwickelt wurden, um Forschern zu helfen, potenzielle Medikamentenkandidaten zu finden. Sie funktioniert, indem sie Medikamente basierend auf ihren Interaktionsprofilen mit verschiedenen Proteinen vergleicht. Durch die Untersuchung dieser Ähnlichkeiten kann CANDO vorschlagen, welche bestehenden Medikamente umfunktioniert werden könnten, um neue Bedingungen zu behandeln.
CANDO verwendet mehrere Pipelines, also verschiedene Methoden innerhalb der Plattform, um Daten zu analysieren. Die grosse Idee hinter CANDO ist, dass Medikamente, die auf ähnliche Arten von Proteinen wirken, wahrscheinlich ähnliche Effekte auf Krankheiten haben.
Neue Protokolle für Benchmarking
Das CANDO-Team hat beschlossen, zu verbessern, wie sie ihre Plattform benchmarken. Sie haben neue Massnahmen eingeführt, die direkt betrachten, wie gut ihre Methoden die Wirksamkeit von Medikamenten vorhersagen. Zuvor schauten sie hauptsächlich auf separate Listen von Medikamentenähnlichkeiten, aber sie haben ihren Ansatz angepasst, um zu bewerten, wie gut diese Medikamenti-Kandidaten insgesamt abschneiden.
Dafür haben sie ihre internen Benchmarking-Protokolle aktualisiert und ein Head-to-Head-Benchmarking-System erstellt, das konsistentere Vergleiche verschiedener Pipelines zur Medikamentenentdeckung ermöglicht. Das bedeutete, dass sie genau bewerten und berichten konnten, wie gut unterschiedliche Plattformen abschneiden.
Parameteroptimierung in der Medikamentenentdeckung
In ihrer Arbeit hat das CANDO-Team mehrere Schlüsselparameter angegangen, die die Vorhersageleistung von Medikamenten beeinflussen könnten. Zum Beispiel haben sie experimentiert, wie viele ähnliche Medikamente bei Vorhersagen berücksichtigt werden sollten. Sie fanden heraus, dass die beste Leistung erzielt wurde, wenn sie weniger Verbindungen analysierten, anstatt zu versuchen, jede einzelne zu berücksichtigen.
Sie haben auch untersucht, wie die Interaktionswerte berechnet wurden. Zum Beispiel fanden sie heraus, dass es am besten ist, sowohl chemische als auch biologische Interaktionen eines Medikaments zu betrachten, um die besten Vorhersagen zu erzielen.
Einfluss anderer Faktoren
Neben den Parametern hat das CANDO-Team verschiedene Merkmale untersucht, die die Leistung beeinflussen. Sie haben betrachtet, wie die Anzahl der mit einer Krankheit assoziierten Medikamente ihre Vorhersagen beeinflussen könnte. Es war nicht überraschend, dass mehr assoziierte Medikamente zu besseren Daten führten, was es einfacher machte, effektive Kandidaten zu finden.
Sie haben auch untersucht, wie die Qualität der Medikamenten-Medikamenten-Signaturen die Vorhersagen beeinflusste. Wenn Medikamente chemisch einander ähnlich waren, erhöhte das die Wahrscheinlichkeit, dass effektive Vorhersagen getroffen wurden.
Vergleich der Medikamenten-Bedingungs-Zuordnungen
CANDO verwendete zwei verschiedene Datenbanken für die Zuordnungen von Medikamenten zu Bedingungen: eine aus der Literatur (CTD) und eine auf FDA-zugelassenen Medikamenten basierende (TTD). Die TTD-Zuordnungen führten in der Regel zu besseren Leistungen, da sie auf strengeren Kriterien für die Medikamentenfreigabe basierten.
CANDO konnte seine Wirksamkeit mit beiden Zuordnungen demonstrieren, aber die TTD schnitt im Allgemeinen besser ab als die CTD. Das ermöglicht es Forschern, zu vergleichen, welche Medikamente für bestimmte Bedingungen am besten wirken könnten und hilft, ihre Vorhersagen zu verfeinern.
Head-to-Head-Pipeline-Vergleich
Um ihre Erkenntnisse zu testen, hat das CANDO-Team einen freundlichen Wettbewerb zwischen ihrer Hauptpipeline und einer neueren "Subsignatur"-Pipeline eingerichtet. Das war eine Gelegenheit zu sehen, welche Methode die andere übertreffen konnte.
Sie entdeckten, dass zwar die Hauptpipeline oft besser abschnitt, die Subsignatur-Pipeline jedoch ebenfalls vielversprechend war. Dieser Vergleich hilft Forschern, die Stärken und Schwächen verschiedener Ansätze in der Medikamentenentdeckung besser zu verstehen.
Fazit: Fortschritte in der Medikamentenentdeckung
Die Arbeit, die mit CANDO geleistet wird, stellt einen bedeutenden Schritt nach vorn in der Technologie zur Medikamentenentdeckung dar. Durch die Verfeinerung ihrer Benchmarking-Prozesse und die Erkundung neuer Ansätze hofft das Team, es Forschern zu erleichtern, neue Medikamente zu entwickeln.
Während sie sich weiterentwickeln, ist das Ziel, die Effektivität zu verbessern, mit der Medikamente identifiziert und entwickelt werden können, was letztlich den Patienten weltweit zugutekommt. Die ganze Welt kann von Innovationen in der Medikamentenentdeckung profitieren, und mit den richtigen Werkzeugen und Ansätzen sieht die Zukunft für diejenigen, die nach neuen Behandlungen suchen, vielversprechend aus.
Originalquelle
Titel: Strategies for robust, accurate, and generalizable benchmarking of drug discovery platforms
Zusammenfassung: Benchmarking is an important step in the improvement, assessment, and comparison of the performance of drug discovery platforms and technologies. We revised the existing benchmarking protocols in our Computational Analysis of Novel Drug Opportunities (CANDO) multiscale therapeutic discovery platform to improve utility and performance. We optimized multiple parameters used in drug candidate prediction and assessment with these updated benchmarking protocols. CANDO ranked 7.4% of known drugs in the top 10 compounds for their respective diseases/indications based on drug-indication associations/mappings obtained from the Comparative Toxicogenomics Database (CTD) using these optimized parameters. This increased to 12.1% when drug-indication mappings were obtained from the Therapeutic Targets Database. Performance on an indication was weakly correlated (Spearman correlation coefficient >0.3) with indication size (number of drugs associated with an indication) and moderately correlated (correlation coefficient >0.5) with compound chemical similarity. There was also moderate correlation between our new and original benchmarking protocols when assessing performance per indication using each protocol. Benchmarking results were also dependent on the source of the drug-indication mapping used: a higher proportion of indication-associated drugs were recalled in the top 100 compounds when using the Therapeutic Targets Database (TTD), which only includes FDA-approved drug-indication associations (in contrast to the CTD, which includes associations drawn from the literature). We also created compbench, a publicly available head-to-head benchmarking protocol that allows consistent assessment and comparison of different drug discovery platforms. Using this protocol, we compared two pipelines for drug repurposing within CANDO; our primary pipeline outperformed another similarity-based pipeline still in development that clusters signatures based on their associated Gene Ontology terms. Our study sets a precedent for the complete, comprehensive, and comparable benchmarking of drug discovery platforms, resulting in more accurate drug candidate predictions.
Autoren: Melissa Van Norden, William Mangione, Zackary Falls, Ram Samudrala
Letzte Aktualisierung: 2024-12-16 00:00:00
Sprache: English
Quell-URL: https://www.biorxiv.org/content/10.1101/2024.12.10.627863
Quell-PDF: https://www.biorxiv.org/content/10.1101/2024.12.10.627863.full.pdf
Lizenz: https://creativecommons.org/licenses/by/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an biorxiv für die Nutzung seiner Open-Access-Interoperabilität.