NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson ve Alzheimer gibi nörodejeneratif hastalıklar için mevcut terapiler sadece semptomlarını ele alır ve hastalık başlangıcını önlemez. Küçük moleküller ve antikorlar gibi yaygın terapötik ajanlar yetersiz seçicilik, istikrar ve biyoyararlanım ile mücadele eder ve klinik çalışmalarda kötü performansa yol açar. Peptit bazlı terapötikler, yüksek biyoyararlanımı, iyi etkinliği ve özgüllüğü nedeniyle kardiyovasküler hastalıklar ve kanserler için başarılı uygulamalarla umut verici adaylar olarak ortaya çıkmaktadır. Özellikle, döngüsel peptidler, sağlam bir antikor benzeri bağlanma afinitesini korurken, uzun bir in vivo stabilitesine sahiptir. Bununla birlikte, döngüsel peptidlerin de novo tasarımı, hedef polipeptidin uzun ömürlü ilaçlanabilir ceplerinin eksikliği, hedef ve / veya bağlayıcının ayrıntılı konformasyonel dağılımlarının yokluğu, bilinmeyen bağlanma alanı, metodolojik sınırlamalar, ilişkili kısıtlamalar (başarısız denemeler, zaman, para) ve geniş kombinatorik dizi uzayı nedeniyle zordur. Bu nedenle, disiplinler arasındaki verimli hizalama ve işbirliği ve makine öğrenimi gibi popüler tekniklerle tamamlanan deneyler ve simülasyonlar arasındaki sinerji, nörodejeneratif hastalıklar için terapötik döngüsel-peptid gelişimini önemli ölçüde hızlandırabilir. Döngüsel peptid tasarımındaki en son gelişmeleri, tasarım sürecini optimize etmek için makine öğreniminin potansiyeli ve son gelişmeler ışığında hesaplamalı bir perspektiften değerlendiriyoruz. Yeni peptid bazlı inhibitörler tasarlarken karşılaşılan zorlukları tartışıyoruz ve amiloidojenik polipeptidlerin toksik yayılımını engellemek için döngüsel peptidler tasarlamak için deneyler, simülasyonlar ve makine öğrenimi içeren yeni stratejiler sunuyoruz. Önemli olarak, bu stratejiler döngüsel peptidlerin sadece tasarımının ötesine uzanır ve programlanabilir özelliklere sahip (biyo) malzemelerin de novo üretimi için şablon görevi görür.
Özgün kaynak özetini okuyun
Existing therapies for neurodegenerative diseases like Parkinson's and Alzheimer's address only their symptoms and do not prevent disease onset. Common therapeutic agents, such as small molecules and antibodies struggle with insufficient selectivity, stability and bioavailability, leading to poor performance in clinical trials. Peptide-based therapeutics are emerging as promising candidates, with successful applications for cardiovascular diseases and cancers due to their high bioavailability, good efficacy and specificity. In particular, cyclic peptides have a long in vivo stability, while maintaining a robust antibody-like binding affinity. However, the de novo design of cyclic peptides is challenging due to the lack of long-lived druggable pockets of the target polypeptide, absence of exhaustive conformational distributions of the target and/or the binder, unknown binding site, methodological limitations, associated constraints (failed trials, time, money) and the vast combinatorial sequence space. Hence, efficient alignment and cooperation between disciplines, and synergies between experiments and simulations complemented by popular techniques like machine-learning can significantly speed up the therapeutic cyclic-peptide development for neurodegenerative diseases. We review the latest advancements in cyclic peptide design against amyloidogenic targets from a computational perspective in light of recent advancements and potential of machine learning to optimize the design process. We discuss the difficulties encountered when designing novel peptide-based inhibitors and we propose new strategies incorporating experiments, simulations and machine learning to design cyclic peptides to inhibit the toxic propagation of amyloidogenic polypeptides. Importantly, these strategies extend beyond the mere design of cyclic peptides and serve as template for the de novo generation of (bio)materials with programmable properties.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.