Search Results いくつかの

アルトコインへの投資：暗号市場の包括的ガイド

アルトコインとは、ビットコインの後に登場した他の暗号通貨のことですこれらのデジタル通貨は、分散型ブロックチェーン技術を介して運営され、先駆的な暗号通貨であるビットコインとは異なる用途を提供しています「アルトコイン」という用語は、暗号空間で数年間使用されており、ビットコインを除く多数の暗号通貨を指します… アルトコインへの投資：暗号市場の包括的ガイド詳細はこちら»

医薬品探索の革新：機械学習モデルによる可能性のある老化防止化合物の特定と、将来の複雑な疾患治療のための道筋を開拓する

老化やがん、2型糖尿病、骨関節炎、ウイルス感染などの他の病気は、細胞老化をストレス反応として含んでいます。老化細胞のターゲット化された除去は人気を博していますが、その分子標的がよりよく理解される必要があるため、senolyticsはほとんど知られていません。ここでは、科学者たちは、以前に発表されたデータのみで教育された比較的安価な機械学習アルゴリズムを使用して、3つのsenolyticを発見することを説明しています。さまざまなタイプの細胞老化を経験する人間の細胞株で、彼らは複数の化学ライブラリの計算スクリーニングを使用して、ginkgetin、periplocin、およびoleandrinのsenolytic作用を確認しました。これらの化学物質は、よく確立された分析法と同様に効果的であり、oleandrinは、そのターゲットに対して現在のゴールドスタンダードよりも効果的であることを示しています。この方法により、数百倍の薬剤スクリーニング費用が削減され、AIが限られた種類の薬剤スクリーニングデータを最大限に活用できることが示されています。これにより、薬剤探索の初期段階において、新しいデータ駆動型の方法が可能になりました。 senolyticsは、マウスの多くの疾患の症状を緩和することが示されていますが、その除去は、傷口治癒や肝臓機能などのプロセスの障害を引き起こすことも関連しています。有望な発見があるにもかかわらず、senolytic作用を持つ2つの薬剤しか臨床研究で有効性が示されていません。過去には優れた分析法が開発されていますが、一般的に健康な細胞に有害です。現在、スコットランドのエディンバラ大学の研究者たちは、健康な細胞を傷つけることなく、これらの不良細胞を除去できる化学化合物を特定する革新的なアプローチを開発しました。彼らは、senolyticの特性を持つ化合物を特定するための機械学習モデルを構築し、それを教育する方法を開発しました。広範囲に承認された薬剤または臨床段階の薬剤を含む2つの既存の化学ライブラリからの化学物質は、学習モデルのトレーニングに使用された各種のソースからのデータと結合されました（アカデミック論文や商業特許など）。機械学習システムにバイアスをかけないために、データセットにはsenolyticおよび非senolytic特性を持つ2,523の物質が含まれています。4,000以上の化合物のデータベースにアルゴリズムを適用した後、21の有望な候補が見つかりました。テスト中に、ginkgetin、periplocin、およびoleandrinの3つの化合物は、健康な細胞に影響を与えずに老化細胞を除去することが示され、良好な候補物質となりました。結果は、oleandrinが3つの中で最も効果的であることを示しました。これらの3つは、ハーブ療法の一般的な成分です。 oleandrinの源はオウバイ（Nerium oleander）で、心不全や特定の不整脈（不整脈）の治療に使用される心臓薬digoxinと同等の効果を持つ物質です。oleandrinには抗がん、抗炎症、抗HIV、抗菌、抗酸化作用が観察されています。人間におけるoleandrinの治療的窓は狭く、治療用量を超えると高度に毒性があるため、食品添加物や医薬品としての販売や使用は違法です。 Linkedinもoleandrinと同様に、がん、炎症、微生物、神経系に対して有益な効果があり、抗酸化作用や神経保護特性があります。銀杏（Ginkgo biloba）は最も古い生きている樹種であり、その葉と種子は中国で数千年間、漢方薬として使用されています。この木はLinkedinの源です。この木の乾燥した葉を使用して処方箋なしで販売される銀杏エキスが作られています。これは、米国やヨーロッパでトップセラーのハーブサプリメントです。研究者らは、彼らの結果が、以前の研究で特定されたsenolyticよりも同等またはそれ以上に効果的であることを示していると主張しています。彼らの機械学習ベースのアプローチは、製薬業界での通常のAIの使用とは異なるいくつかの新しい機能を備えています。第1に、モデルトレーニングに公開されたデータのみを使用するため、内部でのトレーニング化合物の実験的な特性の追加費用は必要ありません。第2に、senolysisは稀な分子特性であり、文献に報告されているsenolyticは少ないため、機械学習モデルは、通常はこの分野で考慮されるよりもはるかに小さなデータセットでトレーニングされました。この方法の効果は、文献データが通常予想されるよりも多様で限定的であるにもかかわらず、機械学習が文献データを最大限に活用できることを示しています。第3に、標的非依存モデルトレーニングで薬理学的活性の表現型指標が使用されました。多くの状態は、重要な経済的および社会的負担を負っていますが、それらの状態のためには、少数またはまったくターゲットが知られていないため、表現型薬剤探索は、発見パイプラインを通じて進展する可能性のある化学の出発点の数を拡大する機会を提供します。