Maschinelles Lernmodell identifiziert drei natürliche Anti-Aging-Wirkstoffe

Zellteilung ist notwendig, damit unser Körper wächst und sich Gewebe erneuert. Zelluläre Seneszenz beschreibt das Phänomen, bei dem Zellen dauerhaft aufhören sich zu teilen, aber im Körper verbleiben und Gewebeschäden und Alterung in Organen und Körpersystemen verursachen.

Normalerweise werden seneszente Zellen vom Immunsystem aus dem Körper entfernt. Aber im Laufe des Alterns ist unser Immunsystem weniger effektiv darin, diese Zellen zu beseitigen, und ihre Anzahl nimmt zu. Eine Zunahme seneszenter Zellen wurde mit Krankheiten wie Krebs, Alzheimer und typischen Alterserscheinungen wie Verschlechterung des Sehvermögens und eingeschränkter Mobilität in Verbindung gebracht. Angesichts der potenziell schädlichen Auswirkungen auf den Körper gab es Bestrebungen, wirksame Senolytika zu entwickeln, Verbindungen, die seneszente Zellen beseitigen.

Frühere Studien haben vielversprechende Senolytika identifiziert, aber sie sind oft toxisch für gesunde Zellen. Nun haben Forscher der University of Edinburgh in Schottland eine bahnbrechende Methode entwickelt, um Chemikalien zu suchen, die diese fehlerhaften Zellen sicher und effektiv beseitigen können.

Sie entwickelten ein maschinelles Lernmodell und trainierten es, die wichtigsten Eigenschaften von Chemikalien mit senolytischen Eigenschaften zu erkennen. Die Trainingsdaten für das Modell stammen aus verschiedenen Quellen, darunter wissenschaftliche Artikel und kommerzielle Patente, und wurden mit Verbindungen aus zwei bestehenden chemischen Bibliotheken integriert, die eine Vielzahl von von der FDA zugelassenen oder klinisch getesteten Verbindungen enthalten.

Der vollständige Datensatz umfasste 2.523 Verbindungen und enthielt Verbindungen mit sowohl senolytischen als auch nicht senolytischen Eigenschaften, um den maschinellen Lernalgorithmus nicht zu beeinflussen. Der Algorithmus wurde dann verwendet, um über 4.000 Chemikalien zu untersuchen, aus denen 21 potenzielle Kandidaten identifiziert wurden.

Bei der Überprüfung dieser Kandidaten stellten die Forscher fest, dass drei Chemikalien - Ginkgetin, Periplocin und Oleandrinhaltige Zelluläre Seneszenz beseitigten, ohne gesunde Zellen zu schädigen. Von diesen drei Verbindungen war Oleandrin die wirksamste. Alle drei sind natürliche Produkte, die in traditionellen pflanzlichen Arzneimitteln vorkommen.

Oleandrin wird aus der Oleanderpflanze (Nerium oleander) extrahiert und hat ähnliche Eigenschaften wie das Medikament Digoxin, das zur Behandlung von Herzinsuffizienz und bestimmten abnormalen Herzrhythmen (Arrhythmien) verwendet wird. Studien haben gezeigt, dass Oleandrin Antikrebs-, entzündungshemmende, antivirale, antimikrobielle und antioxidantische Eigenschaften besitzt. Oleandrin ist jedoch in höheren Dosen hochgiftig und hat nur ein sehr schmales therapeutisches Fenster, was seine klinische Anwendung erschwert. Es wurde daher von Regulierungsbehörden nicht als verschreibungspflichtiges Medikament oder Nahrungsergänzungsmittel zugelassen.

Ginkgetin zeigt ebenfalls, dass es antikrebs-, entzündungshemmende, antimikrobielle, antioxidantische und neuroprotektive Eigenschaften aufweist. Ginkgetin wird aus dem Ginkgobaum (Ginkgo biloba) extrahiert, dem ältesten lebenden Baumarten, dessen Blätter und Samen seit Tausenden von Jahren in der chinesischen Kräutermedizin verwendet werden. Ein hochkonzentrierter Extrakt aus den getrockneten Blättern des Ginkgobaums ist rezeptfrei erhältlich. Es ist eines der meistverkauften pflanzlichen Nahrungsergänzungsmittel in den USA und Europa.

Periplocin wird aus der Wurzelrinde der Chinesischen Seidenweinpflanze (Periploca sepium) isoliert. Studien haben gezeigt, dass es die Herzfunktion verbessern kann und das Zellwachstum blockiert und zum Absterben von Krebszellen führt.

Die Forscher sagen, ihre Ergebnisse zeigen, dass diese Verbindungen eine vergleichbare oder sogar höhere Wirksamkeit haben als Senolytika, die in früheren Studien beschrieben wurden. Noch wichtiger sei jedoch, dass ihre auf KI basierende Methode äußerst effizient sei und die Anzahl der zu untersuchenden Verbindungen mehr als 200-fach verringert habe.

Die Forscher sagen, dass ihr auf KI basierter Ansatz einen Meilenstein bei der Identifizierung neuer Medikamente, insbesondere bei komplexen Krankheiten, darstellt.

"Diese Studie zeigt, dass KI bei der Identifizierung neuer Medikamentenkandidaten unglaublich effektiv sein kann, insbesondere in frühen Stadien der Arzneimittelentwicklung und bei Krankheiten mit komplexer Biologie oder wenigen bekannten molekularen Zielen", sagt Diego Oyarzún, korrespondierender Autor der Studie.

Sie sagen auch, dass der Ansatz kosteneffektiver ist als herkömmliche Methoden zur Arzneimittelscreening, wie präklinische und klinische Studien.

"Diese Arbeit entstand aus einer intensiven Zusammenarbeit zwischen Datenwissenschaftlern, Chemikern und Biologen", sagt Vanessa Smer-Barreto, Erstautorin der Studie. "Durch die Nutzung der Stärken dieser interdisziplinären Mischung konnten wir robuste Modelle erstellen und Screening-Kosten sparen, indem wir nur auf veröffentlichte Daten für das Modelltraining zurückgriffen. Ich hoffe, dass diese Arbeit neue Möglichkeiten eröffnen wird, um die Anwendung dieser aufregenden Technologie zu beschleunigen."