Das Technion (Israel) hat in einer aktuellen Forschungsstudie einen neuen Weg gefunden, um Medikamente gegen Viren zu entwickeln, ähnlich wie Antibiotika gegen Bakterien.
Viele haben sich vieleicht schon gefragt, warum es keine Medikamente, die gegen COVID-19, SARS oder die Grippe wirken, gibt? Warum bekommt man bei einer Halsentzündung ein Antibiotikum verschrieben, aber bei einem Virus wird einem gesagt, man solle es aussitzen? Kurz gesagt, warum gibt es keine antiviralen Medikamente in ähnlicher Menge, Vielfalt und Wirksamkeit wie Antibiotika?, so die Problematik im Aufriß.
Im Gegensatz zu Antibiotika sind antivirale Medikamente in der Regel auf ein bestimmtes Virus ausgerichtet. Diese Beschränkung des Wirkungsspektrums macht es für Pharmafirmen unwirtschaftlich, in die Entwicklung neuer antiviraler Medikamente zu investieren. Infolgedessen machen Nicht-HIV-Therapeutika weniger als 1 % des gesamten Therapeutikamarktes aus, was in direktem Gegensatz zur Dominanz von Infektionskrankheiten im Alltag der Menschen steht.
Die offensichtliche Lösung für dieses Problem ist die Entwicklung von antiviralen Medikamenten, die zur Behandlung mehrerer Infektionskrankheiten eingesetzt werden können, doch die Suche nach solchen Breitspektrum-Medikamenten hat sich für die Wissenschaft als äußerst schwierig erwiesen.
Eine bahnbrechende Studie, die in Zusammenarbeit zwischen dem Labor von Prof. Roee Amit vom Technion – Israel Institute of Technology’s Faculty of Biotechnology and Food Engineering und der Gruppe von Prof. Yaron Orenstein von der School of Electrical and Computer Engineering an der Ben-Gurion University of the Negev durchgeführt wurde, bietet einen gangbaren Weg, um dieses Ziel zu erreichen. Die Studie unter der Leitung von Dr. Noa Katz zeigt, dass ein kombinierter Ansatz aus synthetischer Biologie und maschinellem Lernen zur Entdeckung von Molekülen führen kann, die Proteine von zwei verschiedenen Viren binden können.
In der Pressemitteilung führt das Technion weiter aus: “Die traditionelle Methode zur Identifizierung von Therapeutika besteht darin, in einem arbeitsintensiven Screening mit geringem Durchsatz nach Molekülen zu suchen, die die gewünschte Funktion erfüllen könnten. Im Gegensatz dazu zielt der Ansatz der synthetischen Biologie und des maschinellen Lernens darauf ab, den “Raum” potenzieller Interaktionen zu kartieren, so dass Moleküle mit den gewünschten Eigenschaften zuverlässig vorhergesagt werden können. Dazu wird zunächst ein großer und qualitativ hochwertiger experimenteller Datensatz aus einer Bibliothek (d. h. einer Sammlung) verschiedener bekannter und vermuteter potenzieller Virus-Protein-Bindungsmoleküle erzeugt. Der Datensatz wird dann verwendet, um ein neuronales Netzwerk zu trainieren, damit es eine mehrdimensionale mathematische Funktion bilden kann, die die Proteinbindungsfähigkeit des Kollektivs darstellt.
Einmal berechnet, kann eine solche Funktion dann umgekehrt verwendet werden. Sie kann nämlich verwendet werden, um Regionen mit hoher Bindungsfähigkeit zu identifizieren und “vorhergesagte” Moleküle zu extrahieren, die zuvor nicht getestet wurden. Diese ungesehenen oder vorhergesagten Moleküle können dann synthetisiert und auf die gewünschte biologische Funktionalität getestet werden. Die Forscher wendeten diesen Ansatz an, um zunächst den Bindungsraum zweier unterschiedlicher Hüllproteine von zwei verschiedenen bakterienangreifenden Viren abzubilden und dann RNA-Moleküle zu synthetisieren und zu validieren, von denen vorhergesagt wurde, dass sie sich an der Schnittstelle zwischen den beiden Räumen befinden und die daher beide Funktionalitäten besitzen. Diese Errungenschaft liefert der wissenschaftlichen Gemeinschaft eine Blaupause für einen Ansatz, der zur Identifizierung neuartiger RNA-Sequenzen verwendet werden kann, die potenziell zu Schlüsselbestandteilen antiviraler Medikamente mit breitem Wirkungsspektrum werden könnten.”
English Version
In a recent research study, the Technion (Israel) has found a new way to develop drugs against viruses, similar to antibiotics against bacteria.
Many may have wondered why there are no drugs that work against COVID-19, SARS or the flu? Why is it that when you have a sore throat, you are prescribed an antibiotic, but when you have a virus, you are told to wait it out? In short, why aren’t there antiviral drugs available in similar quantity, variety and efficacy as antibiotics?” is how the problem is broken down.
Unlike antibiotics, antiviral drugs are usually targeted at a specific virus. This limitation of the spectrum of activity makes it uneconomical for pharmaceutical companies to invest in the development of new antiviral drugs. As a result, non-HIV therapeutics account for less than 1% of the total therapeutics market, which is in direct contrast to the dominance of infectious diseases in people’s daily lives.
The obvious solution to this problem is the development of antiviral drugs that can be used to treat multiple infectious diseases, but finding such broad-spectrum drugs has proven extremely difficult for the scientific community.
A groundbreaking study conducted in collaboration between Prof. Roee Amit’s lab at the Technion – Israel Institute of Technology’s Faculty of Biotechnology and Food Engineering and Prof. Yaron Orenstein’s group at the School of Electrical and Computer Engineering at Ben-Gurion University of the Negev offers a viable way to achieve this goal. The study, led by Dr. Noa Katz, shows that a combined approach of synthetic biology and machine learning can lead to the discovery of molecules that can bind proteins from two different viruses.
In the press release, the Technion continues, “The traditional method for identifying therapeutics involves a labor-intensive, low-throughput screen to find molecules that might perform the desired function. In contrast, the synthetic biology and machine learning approach aims to map the “space” of potential interactions so that molecules with the desired properties can be reliably predicted. To this end, a large and high-quality experimental dataset is first generated from a library (i.e., collection) of various known and suspected potential virus-protein binding molecules. The dataset is then used to train a neural network to form a multidimensional mathematical function representing the protein binding ability of the collective.
Once computed, such a function can then be used in reverse. Namely, it can be used to identify regions of high binding ability and extract “predicted” molecules that have not been previously tested. These unseen or predicted molecules can then be synthesized and tested for desired biological functionality. The researchers applied this approach to first map the binding space of two different coat proteins from two different bacteria-attacking viruses, and then synthesize and validate RNA molecules that were predicted to be at the interface between the two spaces and therefore possess both functionalities. This achievement provides the scientific community with a blueprint for an approach that can be used to identify novel RNA sequences that could potentially become key components of broad-spectrum antiviral drugs.”