THEOBROMA: an aggregated open database of 1.13 million natural products with per-compound license auditing, three-tier classification, and stereochemistry-aware deduplication
THEOBROMA is een openbare database die meer dan 1,13 miljoen natuurlijke producten uit 29 bronnen aggregeert en zich onderscheidt door licentiecontrole per verbinding, een driedelig classificatiesysteem en stereochemie-bewuste deduplicatie om licentieconforme virtuele screening en isomeerspecifieke bioactiviteitsanalyse mogelijk te maken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je de wereld van medicijnontwikkeling voor als een enorme, bruisende bibliotheek waar wetenschappers op zoek zijn naar zeldzame, magische ingrediënten die in de natuur voorkomen (zoals planten en schimmels) om nieuwe medicijnen te maken. Lange tijd was deze bibliotheek een beetje chaotisch. Verschillende secties van de bibliotheek hadden verschillende regels over wie boeken mocht lenen, en de bibliothecarissen behandelden de gehele sectie vaak alsof er één regel gold, zelfs als individuele boeken andere toestemmingen hadden.
THEOBROMA is een nieuwe, supergeorganiseerde digitale catalogus die deze problemen oplost. Zo werkt het, onderverdeeld in eenvoudige delen:
1. De "Licentie-detective" (Per-verbinding Audit)
In het oude systeem, als één boek in een sectie een strikte "Niet kopiëren"-regel had, werd de hele sectie als ontoegankelijk beschouwd. Dit veroorzaakte onlangs een probleem toen een belangrijke bron de regels wijzigde, waardoor duizenden nuttige ingrediënten die wetenschappers als vrij beschikbaar beschouwden, plotseling werden geblokkeerd.
THEOBROMA werkt als een superdetective die de juridische papierwerk voor elk afzonderlijk ingrediënt controleert, niet alleen voor de hele plank.
- De Regel: Het gebruikt een "strengste regel wint"-benadering. Als een chemische stof op drie verschillende plaatsen wordt vermeld, en twee zeggen "Vrij te gebruiken" maar één zegt "Beperkt", dan markeert THEOBROMA die specifieke chemische stof als "Beperkt".
- Het Resultaat: Het vond meer dan 900.000 ingrediënten (ongeveer 79%) die echt vrij zijn voor iedereen om te gebruiken. Het houdt ook een duidelijk bewijs ("audit trail") bij dat laat zien waar de toestemmingsregels precies vandaan komen, zodat wetenschappers weten dat ze veilig zijn bij het gebruik ervan.
2. De "Vertrouwensladder" (Drie-lagen Classificatie)
Niet alle informatie in de bibliotheek is even betrouwbaar. Sommige boeken zijn geschreven door experts die de feiten hebben gecontroleerd, terwijl andere slechts ruwe aantekeningen of vermoedens zijn.
THEOBROMA organiseert zijn 1,13 miljoen ingrediënten in een driestapsladder, zodat wetenschappers weten hoeveel ze de data kunnen vertrouwen:
- Bovenste Laag (Gecureerd): 35% van de items zijn als gouden standaard tekstboeken, zorgvuldig gecontroleerd door menselijke experts.
- Middelste Laag (Hoog-betrouwbare afgeleide): 44% zijn als goed onderzochte artikelen waarbij de feiten sterk worden ondersteund door bewijs, maar die niet handmatig door een mens zijn gecontroleerd.
- Onderste Laag (Exploratief): 10% zijn als "wilde gokken" of vroege concepten. Ze zijn nog steeds nuttig voor het verkennen van nieuwe ideeën, maar wetenschappers weten dat ze extra voorzichtig moeten zijn.
3. De "Tweelingtracker" (Stereochemische Deduplicatie)
In de chemie zijn sommige ingrediënten als linker- en rechterhanden. Ze zien er op papier identiek uit, maar ze zijn spiegelbeelden van elkaar. In de echte wereld kan de ene een geneesmiddel zijn, terwijl zijn spiegelbeeld nutteloos of zelfs schadelijk kan zijn.
Oude databases behandelden deze "spiegeeltjes" vaak als exact hetzelfde ding, waardoor ze door elkaar werden gehaald. THEOBROMA is als een scherpziende tweelingtracker. Het gebruikt een speciale code van 27 tekens (een unieke vingerafdruk) om deze spiegelbeelden uit elkaar te houden.
- Het groepeert deze tweelingen in "families" zodat wetenschappers hen duidelijk kunnen zien.
- Het biedt een speciale tool om naar deze families te kijken, zodat wetenschappers ervoor zorgen dat ze bij het bestuderen van een specifieke vorm van een molecuul niet per ongeluk het spiegelbeeld bestuderen.
De Kernboodschap
THEOBROMA is een enorme, open database met meer dan 1,13 miljoen natuurlijke ingrediënten. Zijn belangrijkste kracht is dat hij niet alleen data dumpt; hij audit de juridische rechten van elk afzonderlijk item, gradeert de betrouwbaarheid van de informatie en scheidt spiegelbeeld-tweelingen die andere databases mengen. Dit stelt wetenschappers in staat om de gehele collectie veilig te doorzoeken, wetende precies wat ze kunnen gebruiken, hoeveel ze de informatie kunnen vertrouwen en naar welke specifieke vorm van het molecuul ze kijken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.