Die Technologie der künstlichen Intelligenz half Forschern, drei Chemikalien zu identifizieren, die auf fehlerhafte Zellen abzielen, die mit altersbedingten Gesundheitsproblemen in Zusammenhang stehen, darunter bestimmte Krebsarten und die Alzheimer-Krankheit.
Der Der Algorithmus durchsuchte eine Bibliothek von mehr als 4.300 chemischen Verbindungen und identifizierte 21 Arzneimittelkandidaten, die die Zellalterung auslösen könnten.
Dabei handelt es sich um ein Phänomen, bei dem fehlerhafte Zellen aufhören, sich zu vermehren, aber nicht wie vorgesehen absterben und weiterhin Chemikalien freisetzen, die Entzündungen auslösen können.
Von diesen 21 Kandidaten konzentrierten sich die Wissenschaftler auf drei Verbindungen – Ginkgetin, Oleandrin und Periplocin –, die bei Tests an menschlichen Zellen defekte Zellen entfernen konnten, ohne gesunde zu schädigen.
KI wird zunehmend zu einem festen Bestandteil der medizinischen und wissenschaftlichen Forschung und ist in der Lage, Berge dichter Daten viel schneller zu durchsuchen, als es ein Mensch jemals könnte, um bei der Diagnose und Behandlung von Krankheiten zu helfen.
Das Forschungsteam unter der Leitung von Experten der schottischen Universität Edinburgh entwickelte einen Algorithmus, der erfolgreich drei natürliche Verbindungen identifizierte, die dazu beitragen können, altersbedingte gesundheitliche Beeinträchtigungen wie Sehverlust, Mobilitätsverlust und Alzheimer abzuwehren
Das von Forschern der Universität Edinburgh geleitete Team sagte, ihre maschinelle Lerntechnologie habe zu einer Hundertfachen Reduzierung der Kosten für das Screening auf wirksame „senolytische“ Medikamente geführt.
„Senolytische“ Medikamente induzieren den Tod alternder Zellen und verbessern die Gesundheit des Menschen.
Dr. Diego Oyarzún, Mitautor der Studie, sagte: „Diese Studie zeigt, dass KI uns bei der Identifizierung neuer Arzneimittelkandidaten unglaublich effektiv helfen kann, insbesondere in frühen Stadien der Arzneimittelentwicklung und bei Krankheiten mit komplexer Biologie oder wenigen bekannten molekularen Zielen.“ .’
Zellalterung tritt bei einer Vielzahl von Gesundheitszuständen auf, die mit dem Älterwerden einhergehen, darunter Sehverlust, Osteoarthritis, eine chronische Lungenerkrankung, die als idiopathische Lungenfibrose bekannt ist, bestimmte Krebsarten, Alzheimer-Krankheit und Arteriosklerose, eine Herz-Kreislauf-Erkrankung, die durch die Bildung klebriger Plaques entsteht in den Arterien.
Zellalterung ist ein Marker für ein alterndes Immunsystem.
Es bezieht sich auf einen Zustand des Zellzyklus, in dem Zellen nicht wachsen und sich vermehren können, aber auch nicht sterben, als Teil eines natürlichen Prozesses, der als Apoptose bekannt ist.
Stattdessen bleiben die alternden Zellen im Körper aktiv und setzen schädliche Substanzen frei, die Entzündungen verursachen und benachbarte gesunde Zellen schädigen können, ähnlich wie ein schimmeliges Stück Melone den gesamten Obstsalat kontaminieren würde.
Da die Zellalterung einen Stopp der Zellreplikation mit sich bringt, wird angenommen, dass dieser Prozess eine unterdrückende Wirkung auf Tumore hat.
Gleichzeitig kann Seneszenz die Krebsentstehung fördern, indem sie die Umgebung der Zelle verändert.
Die Forscher sagten: „Neben ihrer Rolle bei Krebs und Alterung wurde das Seneszenzprogramm mit Nebenwirkungen bei einer Vielzahl von Erkrankungen in Verbindung gebracht, darunter Osteoporose, Arthrose, Lungenfibrose, SARS-CoV-2-Infektion, Lebersteatose und Neurodegeneration.“ ‘
In klinischen Studien wurde gezeigt, dass nur eine Therapie, eine Kombination aus Dasatinib und Quercetin, das Volumen seneszenter Zellen bei Mäusen reduziert.
Unter den drei Verbindungen, die die Forscher als in der Lage identifizierten, alternde Zellen zu eliminieren, erwies sich Oleandrin als wirksamer als Herzglykoside, die leistungsstärkste Familie senolytischer Arzneimittel.
Bei den drei in der in der Fachzeitschrift Nature Communications veröffentlichten Studie identifizierten Verbindungen handelt es sich um Naturstoffe, die in traditionellen pflanzlichen Arzneimitteln vorkommen.
Dr. Vanessa Smer-Barreto, eine Co-Autorin, sagte: „Diese Arbeit entstand aus einer intensiven Zusammenarbeit zwischen Datenwissenschaftlern, Chemikern und Biologen.“
„Durch die Nutzung der Stärken dieser interdisziplinären Mischung konnten wir robuste Modelle erstellen und Screening-Kosten sparen, indem wir für das Modelltraining ausschließlich veröffentlichte Daten verwendeten.“ Ich hoffe, dass diese Arbeit neue Möglichkeiten eröffnen wird, um die Anwendung dieser aufregenden Technologie zu beschleunigen.“