A novel metabolism-based phenotypic drug discovery platform in zebrafish uncovers HDACs 1 and 3 as a potential combined anti-seizure drug target
Notice bibliographique
Résumé
Despite the development of newer anti-seizure medications over the past 50 years, 30-40% of patients with epilepsy remain refractory to treatment. One explanation for this lack of progress is that the current screening process is largely biased towards transmembrane channels and receptors, and ignores intracellular proteins and enzymes that might serve as efficacious molecular targets. Here, we report the development of a novel drug screening platform that harnesses the power of zebrafish genetics and combines it with in vivo bioenergetics screening assays to uncover therapeutic agents that improve mitochondrial health in diseased animals. By screening commercially available chemical libraries of approved drugs, for which the molecular targets and pathways are well characterized, we were able to reverse-identify the proteins targeted by efficacious compounds and confirm the physiological roles that they play by utilizing other pharmacological ligands. Indeed, using an 870-compound screen in kcna1-morpholino epileptic zebrafish larvae, we uncovered vorinostat (Zolinza™; suberanilohydroxamic acid, SAHA) as a potent anti-seizure agent. We further demonstrated that vorinostat decreased average daily seizures by ∼60% in epileptic Kcna1-null mice using video-EEG recordings. Given that vorinostat is a broad histone deacetylase (HDAC) inhibitor, we then delineated a specific subset of HDACs, namely HDACs 1 and 3, as potential drug targets for future screening. In summary, we have developed a novel phenotypic, metabolism-based experimental therapeutics platform that can be used to identify new molecular targets for future drug discovery in epilepsy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».