Die Wissenschaftler nutzten künstliche Intelligenz, um das Molekül BRP unter Tausenden von Peptiden zu entdecken. Dieser innovative Ansatz ermöglichte es, spezifisch auf Stoffwechselwege einzuwirken, die mit dem Appetit zusammenhängen, ohne andere Körperfunktionen zu beeinträchtigen, wie es ähnliche Medikamente tun.
BRP wirkt hauptsächlich im Hypothalamus, einer Hirnregion, die für die Regulierung des Hungergefühls entscheidend ist. Tests an Tieren zeigten eine signifikante Reduzierung der Nahrungsaufnahme und Gewichtsverlust, ohne die Übelkeit oder den Muskelverlust, die bei anderen Behandlungen beobachtet wurden.
Das Molekül wurde mithilfe eines Algorithmus namens Peptide Predictor identifiziert, der die Spaltstellen von Prohormonen analysiert. Diese Methode ermöglichte die Auswahl von 373 Prohormonen aus 20.000 Genen – eine Leistung, die mit herkömmlichen Techniken unmöglich gewesen wäre.
Tests an Mäusen und Schweinen bestätigten die Wirksamkeit von BRP. Die behandelten Tiere verloren hauptsächlich Fettgewebe und verbesserten gleichzeitig ihre Glukosetoleranz. Keine nennenswerten Nebenwirkungen wurden beobachtet, was den Weg für klinische Studien am Menschen ebnet.
Die Forscher planen nun, die spezifischen Rezeptoren von BRP zu identifizieren und seine Wirkdauer im Körper zu verlängern. Diese Schritte sind entscheidend für die Entwicklung einer praktischen und wirksamen Behandlung gegen Fettleibigkeit.
Diese in Nature veröffentlichte Entdeckung stellt einen bedeutenden Fortschritt im Kampf gegen Fettleibigkeit dar. Da Millionen von Menschen weltweit betroffen sind, könnte BRP eine sicherere und gezieltere Alternative zu aktuellen Behandlungen bieten.
Wie hat die künstliche Intelligenz bei der Entdeckung von BRP geholfen?
Das Stanford-Team entwickelte einen Algorithmus, Peptide Predictor, um die Spaltstellen von Prohormonen zu analysieren. Dieses Tool sagte voraus, wie ein spezifisches Enzym, die Prohormon-Convertase 1/3, Prohormone in aktive Peptide spaltet.
Traditionell erforderte die Identifizierung dieser Peptide aufwändige und kostspielige Techniken. Peptide Predictor beschleunigte diesen Prozess, indem es automatisch Aminosäuresequenzen analysierte und so Zeit und Ressourcen sparte.
Der Algorithmus identifizierte 2.683 potenzielle Peptide aus 373 Prohormonen. Dieser Ansatz ermöglichte es den Forschern, sich auf die vielversprechendsten Peptide, darunter BRP, zu konzentrieren, ohne sie manuell isolieren zu müssen.
Diese Methode zeigt, wie KI die biomedizinische Forschung erheblich beschleunigen kann, indem sie schnelle und präzise Entdeckungen ermöglicht, die sonst praktisch unmöglich wären.