Hvad er kemoinformatik, og hvordan hjælper det med at opdage nye lægemidler?

Vidste du, at det tager mellem 10 og 15 år og koster milliarder af dollars at opdage et nyt lægemiddel? Mængden af ​​tid, penge og kræfter, der investeres, er enorm, men alt dette er ved at ændre sig takket være en videnskabelig disciplin kendt som kemoinformatik.Hvad det er, og hvordan det hjælper med at opdage nye lægemidlerSvaret er lige så spændende, som det er komplekst, og i dette indlæg vil vi forklare det på en enkel måde.

Hvad er keminformatik? Den spændende fusion af kemi og datalogi

At forstå Hvad er keminformatik?Forestil dig, at du skal finde en unik nøgle, der åbner en ekstremt kompleks lås. Men nøglen er gemt blandt et bjerg af ti milliarder forskellige nøgler. Sikke en opgave! Kan du forestille dig, hvor meget tid og kræfter det ville tage manuelt at søge og prøve hver nøgle én efter én?

Nå, medicinalindustrien står over for denne monumentale udfordring. Låsen repræsenterer et sygdomsfremkaldende protein, og nøglen er et kemisk molekyle, der kan omdannes til et lægemiddel. I årtier, Eksperter har brugt 'manuelle' systemer til at finde hvert nyt lægemiddel, investerer en virkelig enorm mængde tid, penge og kræfter.

Tilbage til analogien, forestil dig, at du nu har en intelligent system Den er i stand til øjeblikkeligt at udelukke ni ud af ti nøgler, der ikke passer. Systemet hjælper dig også med at forudsige, hvilke nøgler der har den mest lovende form, samle dem og sortere dem i bundter. Fantastisk! Det er i bund og grund magien ved keminformatik.

Hvad er keminformatik? Ifølge portalen PubMed, 'er et felt inden for informationsteknologi, der fokuserer på indsamling, lagring, analyse og manipulation af kemiske data.' Denne videnskabelige disciplin bruger datalogi og datalogiteknikker til at løse komplekse problemer inden for kemiDet fokuserer primært på lægemiddelforskning, men har også anvendelser i flere sektorer (agrokemikalier, fødevarer osv.).

To grundlæggende søjler: Data og algoritmer

For at forstå, hvordan keminformatik fungerer, må vi tale om dens to væsentlige komponenter: kemiske datapå den ene side, og den algoritmer og modeller, på den anden side. Sidstnævnte bruges til at behandle kemiske data og dermed indhente nyttige oplysninger, der muliggør optimering af lægemiddeludvikling. For at gøre dette er det først nødvendigt at digitalisere alle data relateret til hver eksisterende kemisk forbindelse.

Så det hele starter med digitalisering af molekylerDisse kan repræsenteres digitalt ved hjælp af særlige formater (såsom SMILES-, InChI- eller SDF-filer), som en computer kan forstå og behandle. Vi taler selvfølgelig ikke om simple tegninger: disse filer koder for information såsom atomer, deres bindinger, deres tredimensionelle struktur, elektriske ladning, fysiske egenskaber osv. Dette har resulteret i eksistensen af ​​gigantiske databaser, der lagrer millioner af molekyler, både naturlige og syntetiske.

• Når de kemiske forbindelser, med alle deres egenskaber, er bragt til det digitale plan, er det muligt at anvende beregningsværktøjer på dem.
• Det er det, keminformatik handler om: anvendelse af kemiske data statistik, den maskinlæring, kunstig intelligens, datamining og mønstergenkendelsesmetoder.
• Alle disse algoritmer og modeller fremskynder analysen af ​​så enorm en mængde data betydeligt med det endelige mål at udvikle lægemidler.

Hvordan keminformatik hjælper med at opdage nye lægemidler

Grundlæggende set gør keminformatik det optimere alle faser af lægemiddelforsknings- og udviklingsprocessenDet er værd at bemærke, at denne proces er en lang og kompleks cyklus, der kan tage 10 til 15 år og koste milliarder af dollars. Men meget af denne indsats er blevet betydeligt forenklet takket være fusionen af ​​kemi og datalogi. Lad os se på, hvordan dette er muligt i de tidlige stadier af lægemiddeludvikling:

Fase 1: Opdagelse og forskning

For at skabe et lægemiddel er det første, forskere gør, at undersøge, hvad der forårsager en sygdom. Inden for denne årsag, De identificerer et biologisk mål eller objektiv (såsom et protein eller gen), der kan ændres for at behandle sygdommen.På dette tidspunkt hjælper keminformatik med at vide, om et mål er "drugbart", det vil sige, om det har en bolt (tilbage til den oprindelige analogi) til at introducere en nøgle (molekyle) for at forsøge at modificere det.

Derudover hjælper databehandlingsteknikker også med at identificere og skabe kandidatmolekyler (nøglebundter), der kunne interagere med målet. I stedet for fysisk at teste millioner af forbindelser, en virtuel screening i massive databaser for at identificere de bedste kandidater. Det, der plejede at tage to til fire år, opnås nu på meget kortere tid og med en mindre investering af penge og kræfter.

Fase 2: Præklinisk fase

I den prækliniske fase tages de mest lovende identificerede forbindelser og undersøges grundigt for at evaluere deres sikkerhed og effekt. Disse studier udføres typisk både in vitro (på celler og væv) som in vivo (hos dyr). Men, Kemoinformatik gør det muligt at simulere alle disse studier i silikonealtså på en computer, og med resultater, der ligner meget laboratorietests. Dette sparer naturligvis ressourcer og tid, og man undgår at skulle syntetisere hundredvis af ubrugelige varianter.

Fase 3: Faser af kliniske forsøg

Hvis prækliniske studier er vellykkede, går stoffet videre til testning på mennesker. En sådan forbindelse kan selvfølgelig være meget potent i et reagensglas eller i en digital simulering. Men hvis menneskekroppen ikke absorberer den, den er giftig, eller leveren metaboliserer den for hurtigt, vil det være et lægemiddelfejl. Derfor er det nødvendigt at udføre en undersøgelse, før man tester på mennesker. ADMET Egenskaber Forudsigelsestest, som måler adsorption, distribution, metabolisme, udskillelse og toksicitet af stoffet i menneskekroppen.

Heldigvis, Keminformatiske modeller kan også køre ADMET-egenskabsforudsigelsestestsDette kan gøres, selv før stoffet testes på dyr, for at udelukke problematiske kandidater tidligt. Igen reducerer udførelse af disse digitale simuleringer antallet af mislykkede kliniske forsøg, samt behovet for at bruge forsøgspersoner (og den deraf følgende etiske indvirkning).

Afslutningsvis har vi set i store træk, hvad kemoinformatik er, og hvordan det hjælper med at opdage nye lægemidler. Skalerbarheden af ​​denne videnskabelige disciplin er enorm., så der forventes flere og bedre resultater i fremtiden. Ved at kombinere kemiens kraft med beregningsmæssig intelligens åbner der sig et helt univers af muligheder for at behandle sygdomme hurtigere, mere præcist og mere økonomisk.