A Novel Method for Normalizing Data from DNA-Encoded Library Selections

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein paar ganz bestimmte Nadeln in einem riesigen, chaotischen Heuhaufen zu finden. In der Welt der Wirkstoffforschung ist dieser „Heuhaufen“ eine DNA-kodierte Bibliothek (DEL) – eine gigantische Sammlung von Millionen verschiedener chemischer Verbindungen. Wissenschaftler nutzen diese Bibliotheken, um herauszufinden, welche Verbindungen an ein bestimmtes Ziel, wie etwa ein krankheitsverursachendes Protein, binden.

Das Problem ist, dass der „Heuhaufen“ so gewaltig und der Prozess so komplex ist, dass die Daten, die man am Ende erhält, oft unordentlich sind. Es ist, als würde man versuchen, die Nadeln zu zählen, indem man auf einen unscharfen, verrauschten Fernsehbildschirm starrt. Manchmal lässt der Bildschirm ein gewöhnliches, kein Nadel-Objekt aufgrund von statischem Rauschen wie eine riesige Nadel aussehen, oder er verbirgt eine echte Nadel, weil das Signal zu schwach ist.

Der alte Weg vs. der neue Weg

In der Vergangenheit versuchten Wissenschaftler, diese unordentlichen Daten mit Standard-Mathematiktricks (Normalisierung) zu bereinigen. Aber diese alten Tricks hatten zwei große Mängel:

1. Sie ließen sich von den „lautesten“ Signalen (Verbindungen mit hohen Ausread-Zahlen) verwirren, wodurch echte Muster oft übersehen wurden.
2. Sie berücksichtigten nicht das „Rauschen“ oder die technischen Fehler, die während des Experiments natürlich vorkommen.

Die Lösung: Ein „Kontroll“-Referenzpunkt

Die Autoren dieser Arbeit haben einen neuen, klügeren Weg erfunden, um die Daten zu bereinigen. Stellen Sie sich das so vor:

Stellen Sie sich vor, Sie versuchen, die Lautstärke der Musik zu vergleichen, die in zwei verschiedenen Räumen spielt. In dem einen Raum läuft ein lauter Ventilator und in dem anderen ein summender Kühlschrank. Wenn Sie nur der Musik lauschen, können Sie nicht feststellen, ob die Musik tatsächlich lauter ist oder ob nur das Hintergrundrauschen unterschiedlich ist.

Um dies zu lösen, haben die Wissenschaftler vor dem Start in beide Räume ein spezielles, bekanntes Referenzobjekt gebracht. In ihrem Experiment ist diese Referenz eine Mischung aus einem Antikörperfragment und einem DNA-konjugierten Peptid.

• Die Analogie: Dieses Referenzobjekt ist wie ein „Kalibrierungston“ oder ein „bekanntes Gewicht“, das man auf eine Waage legt, bevor man etwas anderes wiegt.
• Wie es funktioniert: Da die Wissenschaftler genau wissen, was dieses Referenzobjekt tun sollte, können sie es nutzen, um zu messen, wie viel „Rauschen“ oder „Statik“ im Raum vorhanden ist. Wenn das Referenzobjekt merkwürdig aussieht, wissen sie, dass der gesamte Raum verrauscht ist. Dann nutzen sie diese Information, um die Daten für alle anderen Verbindungen anzupassen.

Das Ergebnis

Durch die Verwendung dieses internen „Kalibrierungstons“ ermöglicht die neue Methode den Wissenschaftlern, verschiedene Experimente fair miteinander zu vergleichen, selbst wenn die Bedingungen leicht unterschiedlich waren. Sie filtert die technischen Fehler und das Hintergrundrauschen heraus, was es viel einfacher macht, die echten Binder (die echten Nadeln) von den falschen zu unterscheiden.

Kurz gesagt: Diese Arbeit präsentiert ein neues Werkzeug, das wie ein Noise-Cancelling-Kopfhörer für Wirkstoffforschungsdaten fungiert und sicherstellt, dass Wissenschaftler, wenn sie glauben, einen vielversprechenden Wirkstoffkandidaten gefunden zu haben, tatsächlich einen echten Treffer gefunden haben und nicht bloß einen Systemfehler.