Wie künstliche Intelligenz den Prozess der Arzneimittelentwicklung verändert

„Es war ein produktiver Tag. Gut gemacht, Samariter. “- Ich ziehe meinen Laborkittel aus und sage mit einem Lächeln.

„Drei interessante Moleküle identifiziert. Es ist mir ein Vergnügen. “- Die Wörter werden auf meinem Bildschirm angezeigt, während Pink Floyds Welcome to the Machine im Hintergrund abgespielt wird.

„Halten Sie ihre Interaktionsmodelle bis zum Morgen bereit. Ich werde sie durchsehen und dann können wir mit dem Optimierungsprozess beginnen. "- Ich nehme meine Tasche und bereite mich auf den Abflug vor.

„Ich denke, ich kann heute Abend mehr Arbeit erledigen. Du wirst sehen. Ich wünsche Ihnen einen schönen Abend. “- Es ist, als würde sich die Maschine gerne bei mir beweisen und versuchen, mehr Arbeit besser als erwartet zu machen.

Natürlich habe ich keine Beschwerden. Die Maschine hat die Dinge hier enorm beschleunigt, sich wiederholende und mühsame Aufgaben erledigt und unkonventionell aufschlussreiche Analysen für die große Datenmenge bereitgestellt, die aus den Studien generiert wurde.

Die obige Konversations- und Laborsituation ist offensichtlich ein Produkt meiner Vorstellungskraft (unterstützt von Person of Interest), aber es kann sein, dass sie ein paar Jahre später nicht allzu weit von der Realität der Arbeit im Labor entfernt ist. Es ist durchaus möglich, dass künstliche Intelligenz (KI) als fähiger Assistent mit Forschern im Labor zusammenarbeitet - in vielerlei Hinsicht leistungsfähiger als einige menschliche Forschungsassistenten.

In den letzten Jahren rückten Big Data und künstliche Intelligenz in den Fokus, wobei KI-Befürworter das beispiellose Potenzial der KI zur Revolutionierung praktisch aller Bereiche darlegten und KI-Kritiker ihre Besorgnis über den böswilligen Einsatz von KI zum Ausdruck brachten. Obwohl KI wahrscheinlich noch weit davon entfernt ist, bewusst zu sein, und noch weiter davon entfernt, eine künstliche allgemeine Intelligenz zu sein, dh ein System, das in der Lage ist, alle kognitiven Aufgaben auszuführen, die der Mensch kann, wurden KI, die bestimmte Aufgaben ausführen können, wahrscheinlich bereits in verschiedenen Branchen eingesetzt ohne dass die Endkunden davon erfahren. Mit ihrer rasanten Entwicklung erobern KI und Big Data die pharmazeutische Welt und erhalten hohe Investitionen von großen Pharmaunternehmen wie Pfizer und GSK, in der Hoffnung, dass sie Zeit und Kosten des Arzneimittelentwicklungsprozesses reduzieren und der Branche Milliarden einsparen können Jahr.

Der Entwicklungsprozess eines Arzneimittels dauert in der Regel 12 Jahre und die Kosten für die Markteinführung eines experimentellen Arzneimittels betragen etwa 1,5 bis 2,5 Milliarden US-Dollar. Es umfasst in der Regel fünf Hauptphasen: Forschung vor der Entdeckung, Wirkstoffentdeckung, präklinische Entwicklung, klinische Studien sowie Überprüfung und Vermarktung durch die FDA. Jedes von ihnen eliminiert mehr als ein Zehntel der potenziellen Medikamentenkandidaten und lässt nur ein zugelassenes Medikament von Tausenden chemischer Ausgangsverbindungen auf den Markt kommen. Jede Verbesserung in einer der fünf Phasen hätte erhebliche Auswirkungen auf die gesamte Kette, weshalb die Hauptakteure in der Pharmabranche sich an AI wenden, um den Arzneimittelentwicklungsprozess zu überarbeiten, wodurch jede Phase wesentlich effizienter und zeitsparender wird -verbrauchend.

Den Krankheitsmechanismus verstehen:

Die Entdeckung der Geheimnisse hinter komplexen Krankheiten ist immer wieder eine herausfordernde Aufgabe, die Wissenschaftler auf der ganzen Welt anstreben. Nur wenn man die Krankheit genau versteht, kann man sie behandeln. Seit der Entdeckung der Leukämie im Jahr 1845 war die Untersuchung ihres Mechanismus vergebens. Es dauerte einige Jahrzehnte, bis Pathologen erkannten, dass Leukämie nicht durch eine Zunahme der Blutzellgröße (Hypertrophie), sondern durch eine Zunahme der Anzahl der Blutzellen (Hyperplasie) verursacht wird. Vor dieser Entdeckung hatte jeder Versuch, die Krankheit zu behandeln, keine Wirkung oder verschlimmerte sogar die Symptome.

Trotz der Explosion des Wissens aufgrund der modernen Wissenschaft und Technologie ist das Studium der Krankheitsmechanismen immer noch kein Kinderspiel. Die Universität von Ottawa berichtete, dass wir die 50-Millionen-Marke in Bezug auf die Anzahl der seit 1665 veröffentlichten wissenschaftlichen Arbeiten überschritten haben und jedes Jahr weitere ca. 2,5 Millionen veröffentlicht werden. Ein durchschnittlicher menschlicher Forscher liest zwischen 200 und 300 wissenschaftliche Artikel pro Jahr, nur ein Tropfen auf den heißen Stein der neu veröffentlichten Arbeiten. Die Papierflut überfordert die Forscher oft und hindert sie daran, einen umfassenden Überblick über die auf ihrem Gebiet gemachten Entdeckungen zu erhalten.

Im Gegensatz dazu kann eine KI unaufhörlich eine unvorstellbar große Menge an Papieren verarbeiten, diese organisieren, vereinfachte Grafiken und Illustrationen erstellen und bei relevanten Entdeckungen sofort Aktualisierungen bereitstellen. Es könnte bis zu einem Monat dauern, bis ein Forscher einen Übersichtsartikel zu einem engen Thema verfasst, aber es würde keine Zeit in Anspruch nehmen, bis eine KI einen in irgendeinem Bereich erstellt. Es wird berichtet, dass IBMs Watson "25 Millionen Medline-Abstracts, mehr als 1 Million Artikel in medizinischen Volltexten, 4 Millionen Patente aufgenommen und regelmäßig aktualisiert" hat. Erhalten Sie mühelos qualitativ hochwertige Informationen von einer Allwissenden KI. Für viele Forscher wird ein Traum wahr. Dies würde nicht nur jedem Forscher bei seiner eigenen Arbeit helfen, sondern kann auch die Zusammenarbeit innerhalb und zwischen den Feldern verbessern, was in dieser multidisziplinären Ära von entscheidender Bedeutung ist. Eine KI kann auch das Data Mining verfügbarer biomedizinischer Daten durchführen, um mögliche Ziele für Interventionen zu identifizieren - Enzyme, Proteine, biologische Pfade oder Genomsequenzen. Die Daten könnten aus Veröffentlichungen und Patenten stammen, Sequenzierungsdaten, Genexpressionsdaten, genetische Assoziationsdaten usw. Die KI kann bioinformatische Ansätze verwenden, um potenzielle Krankheitsziele zu identifizieren, auszuwählen und zu priorisieren gleiche Aufgabe. Als Beispiel wurde gezeigt, dass BenevolentAI in der Lage ist, Millionen von wissenschaftlichen Forschungsarbeiten zu Amyotropher Lateralsklerose (ALS) - der Krankheit, bei der der verstorbene Stephen Hawking diagnostiziert wurde - durchzugehen und die Informationen zu synthetisieren, die hilfreich sein könnten, um a zu identifizieren Behandlung dafür.

Compound Screening und Optimierung:

Sobald ein Krankheitsmechanismus entdeckt und ein Krankheitsziel identifiziert ist, werden die Forscher auf der Grundlage der neuen Erkenntnisse nach Verbindungen suchen, die die Krankheit bekämpfen können. Nachdem Sidney Farber begriffen hatte, dass Leukämie durch die unkontrollierte Vermehrung weißer Blutkörperchen verursacht wird, begann sie, nach Verbindungen zu suchen, die die Bildung von Blutkörperchen stoppen können. In einer katastrophalen Studie an einem Patienten stellte er fest, dass die Entstehung von Blut in besonderem Maße von Folsäure abhängt und die Verabreichung von Folsäure an Leukämiepatienten das Wachstum von bösartigen Blutzellen im Patienten weiter beschleunigt. Er hatte dann die Idee, Folsäurederivate als Lockmittel zu verwenden, um die Entstehung von Blutzellen zu blockieren. Enzyme in unserem Körper erkennen in der Regel die chemische Struktur der Moleküle, wie ein Schlüssel ein Schloss öffnet. Daher bildet sich eine „Lock“ -Molekülstruktur heraus, die das natürliche Molekül fast imitiert, das sich an das Enzym bindet und dessen Wirkung blockiert, was einem falschen Schlüssel sehr ähnlich ist ein Schloss klemmen.

Sidney Farbers Studie war eher zufällig. Nach einem erfolglosen Versuch mit Pteroylasparaginsäure (PAA) im Jahr 1947 wurde sein Versuch mit Aminopterin ein Erfolg, als das Blut seines Patienten innerhalb von 2 Monaten wieder normalisierte. Wenn Farber jedoch in dieser Zeit leben würde, würde sein Aminopterin aufgrund seiner hohen Toxizität von den Behörden wahrscheinlich nicht als Chemotherapeutikum zugelassen. In späteren Studien wurde Methotrexat als geeigneterer Kandidat in Bezug auf Sicherheit und Toxizität identifiziert und Aminopterin in aktuellen Leukämiebehandlungen ersetzt.

Aminopterin-Struktur

Wie viele Folsäurederivate könnte Farber also angetroffen haben, bevor er die gefunden hat, die therapeutische Wirkungen auf Leukämie haben? Es gibt fast 2.000 mögliche Verbindungen, die sich aus einfachen Modifikationen an Folsäure ableiten lassen (Informationen dazu, wie ich zu dieser Zahl gekommen bin und welche Arten von Modifikationen ich in Betracht gezogen habe, finden Sie im Anhang am Ende des Artikels). Und das ist nur die Anzahl der Modifikationen, die an einem kleinen Molekül vorgenommen werden können, das ein Enzym blockiert. Es gibt 2.709 menschliche Enzyme, die in 896 Bioreaktionen funktionieren, und das sind nur diejenigen, die wir identifiziert haben. Und Enzyme sind nicht die einzigen Arten von biologischen Molekülen, die gezielt zur Behandlung von Krankheiten eingesetzt werden können. Daher ist die Anzahl potenzieller Drogen so astronomisch, dass die Fähigkeit eines Menschen, sie zu verarbeiten, nicht mehr gegeben ist. In einem in der Fachzeitschrift ACS Chemical Neuroscience veröffentlichten Artikel wurde berichtet, dass Wissenschaftler bisher nur ein Zehntel von 1% der potenziellen Medikamente synthetisiert haben, die hergestellt werden können. Die Autoren des Berichts schätzten, dass die tatsächliche Anzahl von "kleinen Molekülen", die potenzielle Drogen sein können, "1 Novemdecillion (das ist 1 mit 60 Nullen), 1 Million Milliarden Milliarden Milliarden Milliarden Milliarden, was mehr ist als einige Schätzungen der Anzahl der Sterne im Universum “. Aufgrund der großen Anzahl von Wirkstoffkandidaten dauert es in der Regel 5 bis 6 Jahre, bis ein Wirkstoffforschungslabor nach Kandidaten sucht, die das Krankheitsziel erreichen und eine Leitsubstanz hinsichtlich Sicherheit und Effizienz optimieren können. Trotzdem ist die Wahrscheinlichkeit, dass das potenzielle Medikament in einer klinischen Studie versagt, immer noch hoch. Es wird berichtet, dass nur etwa 2% der vielversprechenden Krebsmedikamente es bis zur Kommerzialisierung schaffen.

Um diesen Prozess zu beschleunigen, gründete eine Gruppe von Wissenschaftlern die Open Source Pharma Foundation (OSPF) -Plattform, mit der Wissenschaftler über ein virtuelles Online-Labor aus der Ferne zusammenarbeiten können. Wissenschaftler können diese Plattform nutzen, um mithilfe rechnergestützter molekularer Modellierungstechniken von zu Hause aus nach Verbindungen zu suchen. Computational Molecular Modeling-Techniken verwenden virtuelle Modelle von Molekülen, um ihr Verhalten nachzuahmen und ihre Wechselwirkungen vorherzusagen, wodurch die Notwendigkeit verringert wird, Labortests an allen potenziellen Molekülen durchzuführen. Ziel der Stiftung ist es, die Kosten des Arzneimittelentwicklungsprozesses im Vergleich zum Big-Pharma-Standardmodell um 90% und die Zeit um 50% zu senken, wobei der Schwerpunkt auf vernachlässigten Krankheiten wie AIDS, Malaria und Tuberkulose liegt.

Molekulare Modellierung

Der Aufwand ist beeindruckend, aber eine KI hat noch viel mehr zu bieten. Einige Unternehmen haben AIs entwickelt, die für das Wirkstoffdesign und die rechnergestützte Modellierung von Molekülen ausgebildet sind. Der Prozess wird in der silico-Modellierung in der Arzneimittelentwicklung genannt - in silico bezieht sich auf Prozesse, die am Computer durchgeführt werden, im Gegensatz zu in vitro: durchgeführt in Reagenzgläsern und in vivo: durchgeführt in lebenden Organismen. Durch die Eingabe der AIs-Informationen zu Hunderttausenden von medikamentösen Molekülen können Forscher ihren zukünftigen AI-Assistenten dabei helfen, die gemeinsamen Merkmale der Medikamente zu erlernen. Bald können die AIs neue Verbindungen finden, die potenzielle Medikamente sein können, und vorhersagen, wie gut diese Verbindungen sind wird in klinischen Tests tun. Da die AIs mehr Forschungsarbeiten durchlaufen haben, als jeder Wissenschaftler in seinem Leben lesen kann, können sie auch nach Beziehungen zwischen Medikamenten, Proteinen und Krankheiten im Körper suchen und diese neu gewonnenen Erkenntnisse verwenden, um Kombinationen von Medikamenten zu identifizieren, die als solche zusammenwirken könnten bessere Behandlungsmöglichkeiten als ein einzelnes Medikament. AIs sind bei der Verarbeitung großer Datenmengen und beim Erkennen mehrerer subtiler und komplexer Trends weitaus effektiver als Menschen. Daher ist ein AI-gesteuerter Prozess schneller, kostengünstiger und weniger anfällig für Misserfolge als herkömmliche menschliche Bestrebungen. Einige ehrgeizige KI-Gruppen, darunter das von GSK und dem National Cancer Institute angeführte ATOM-Konsortium, streben eine Verkürzung des Arzneimittelentdeckungsprozesses für jede Krankheit von vier auf sechs Jahre auf ein Jahr oder weniger an.

Klinische Studie:

Sobald ein Medikamentenkandidat in silico entwickelt oder gescreent und in vitro optimiert wurde, werden in vivo Tierversuche und die drei Phasen klinischer Versuche am Menschen durchlaufen, die von der ersten bis zur letzten Testphase einige Jahre bis 10-15 Jahre dauern können Bett. Klinische Studien könnten ein Labyrinth komplizierter und nicht standardisierter Verfahren sein. Zum 5. März 2018 wurden insgesamt 46.198 klinische Studien für Patienten rekrutiert, darunter 17.523 US-Studien und 26.244 Nicht-US-Studien. 80% von ihnen können auf halbem Weg stecken bleiben oder gar nicht erst anfangen, einfach weil sie nicht genug Patienten für die Einschreibung haben. Die Rekrutierung von Patienten könnte eine wilde Gänsehaut sein, da die meisten Patienten einfach nicht wissen, an welchen Studien sie teilnehmen können. Die meisten Pharmaunternehmen verlassen sich auf Auftragsforschungsorganisationen (CROs), um die Krankenakten der Patienten sorgfältig zu durchsuchen und diejenigen zu finden, von denen sie glauben, dass sie es tun würden passt gut zum Prozess. Es ist ein einmaliger und zeitraubender Prozess, der zahlreiche vielversprechende Studien zurückhält.

Auch hier ist die Lösung für den Umgang mit einer großen Datenmenge eine KI. Antidote, eine vom Unternehmen des Unternehmers Gravier entwickelte KI, hat die Informationen von mehr als 14.000 klinischen Studien von ClinicalTrials.gov und der Weltgesundheitsorganisation standardisiert und diese Daten so strukturiert, dass nach geeigneten klinischen Studien für Patienten gesucht werden kann. Die Patienten müssen nur ihren Zustand, ihr Alter, ihr Geschlecht und ihren Wohnort eingeben, und Antidote gibt eine Liste der Studien zurück, für die der Patient berechtigt ist. Dies ermöglicht es den Patienten, proaktiv nach ihren potenziellen Behandlungen zu suchen, und spart den CROs Zeit und Kosten bei der Patientenrekrutierung.

Nach der Rekrutierung der Patienten kamen sie traditionell zu den ausgewählten Studienzentren, um das Medikament zu verabreichen und anschließend den Gesundheitszustand zu überwachen. Für Patienten, die weit entfernt von den Studienzentren leben, kann ein mehrmaliger wöchentlicher Besuch ein Hindernis für die Einhaltung und Bindung der Patienten sein. Persönliche Interaktionen in den Studienzentren und langwierige Gesundheitsumfragen erhöhen die Kosten und die Zeit, die für die Durchführung einer klinischen Studie erforderlich sind, drastisch.

Abhängig von den Anforderungen der Sponsoren der jeweiligen Studie werden die Ärzte klinische Tests durchführen - wie z. B. Hämatologie (Tests mit zellulären Blutbestandteilen), Funktionstests von Leber-, Röntgen- oder CT-Scans - und diese in den Fallberichten der einzelnen Patienten (CRF) festhalten ). Eine klinische Studienphase 3 umfasst Tausende von Patienten mit Behandlungs- und Überwachungszeiträumen von bis zu einigen Jahren - stellen Sie sich die Datenmenge vor, die in diesen riesigen Formularstapeln gespeichert ist. Daten in diesen Formen sind auch nicht für die Extraktion und Analyse geeignet. In der Regel benötigen sie qualifizierte Datenwissenschaftler, um Einblicke in die komplexen Ergebnisse zu erhalten.

Die Digitalisierung von Daten hat den Prozess der Datenerfassung und -analyse erheblich verbessert. Medidata, ein amerikanisches Technologieunternehmen, das auf die Bereitstellung von Software und Diensten für klinische Studien spezialisiert ist, hat seinen Medidata Enterprise Data Store (MEDS) und seine proprietäre KI entwickelt, um die Datenanalyse zu vereinfachen, flexibler und flexibler zu gestalten. In Verbindung mit dem Übergang von CRF zu elektronischer CRF (eCRF) können die relevanten Stakeholder die Daten ohne die Hilfe professioneller Datenwissenschaftler überprüfen. Das System erkennt automatisch Ausreißer, gibt einen schnellen Einblick in die Datenqualität und erstellt Benchmarking-Berichte, um die betreffende Studie mit anderen Studien in seiner Datenbank mit über 13.000 Studien, einer halben Million Standort- / Sponsor-Interaktionen und 3,8 Millionen Patienten zu vergleichen. Dank der umfangreichen Datenbank kann die KI von Medidata auch bisher unbekannte Zusammenhänge zwischen verschiedenen Faktoren klinischer Studien aufzeigen und so fundiertere Entscheidungen treffen.

Der Aufstieg digitaler klinischer Studien hat den Patientenüberwachungsprozess erheblich verbessert, indem er dezentralisiert und patientenfreundlicher gestaltet wurde. Sanofi, ein französischer Pharmakonzern, hat kürzlich seine „standortlosen“ Studien gestartet, in denen qualifizierten Patienten ein Telefon, die für die Studie benötigten medizinischen Geräte und das zu untersuchende Medikament zur Verfügung gestellt werden. Patienten nehmen ihre Medikamente zu Hause mit rechtzeitigen Erinnerungen von ihren Handys; mobile Krankenschwestern werden zu den Patienten nach Hause geschickt, wenn Blut abgenommen werden muss; Kliniken in der Nähe werden beauftragt, wenn spezielle Tests und Scans erforderlich sind. Die klinischen Daten werden von über Bluetooth verbundenen medizinischen Geräten wie Blutdruckmessgeräten, Aktivitätsmessgeräten, Pillendosen, Pulsoximetern, Glukometern und Waagen abgerufen. Die Forscher erhalten umgehend und direkt Patientendaten, die andernfalls vom medizinischen Personal während des Besuchs des Patienten vor Ort eingeholt werden müssten.

Xbird, ein deutsches Startup, hat eine mobile Anwendung entwickelt, die mithilfe von Sensoren an Handys und Wearables die täglichen Aktivitäten der Patienten in Echtzeit genau aufzeichnet. In einer einwandfreien Demonstration auf der Phar-East Pharmaceutical Convention 2018 zeigte Xbirds CEO Sebastian Sujka die Fähigkeit des Systems, Daten von den Sensoren seiner Smartwatch in seine aktuellen körperlichen Aktivitäten wie Gehen, Springen oder Tanzen mit außergewöhnlich hoher Präzision und minimaler Zeitverzögerung umzuwandeln . Die Einbeziehung dieser Technologie in klinische Studien hat dazu beigetragen, die Faktoren, die sich auf die Gesundheit der Patienten auswirken, ganzheitlicher zu betrachten. Mit der Echtzeitüberwachung von Patienten kann das System die jeweiligen Ärzte benachrichtigen, wenn die Patienten eine Intervention benötigen, wodurch die Wahrscheinlichkeit verringert wird, dass Patienten unerwünschte Ereignisse haben. Es wird geschätzt, dass der Einsatz von Technologien zur Kontextualisierung von Daten und zur Speicherung von Patienten über die gesamte Dauer einer Studie die für die Durchführung dieser Studie erforderliche Zeit um mindestens 30% reduzieren kann.

Eine KI für die Wirkstoffentwicklung ist natürlich nicht ohne Nachteile. Die Implementierung neuer Technologien in den Labors könnte auf Widerstand von Forschern stoßen, die Schwierigkeiten haben, sich an die Veränderungen anzupassen, oder die neuen Technologien skeptisch gegenüberstehen. Die Patienten können auch Widerstand dagegen haben, von ihren Handys und einer KI überwacht zu werden. Darüber hinaus werden KIs und Big Data in ihrem frühen Stadium die gesamte Pharmaindustrie nicht über Nacht revolutionieren. Wie jede andere Innovation in der Wissenschaft ist es ein mühsamer Prozess, KI in die Labors und in das Leben der Patienten zu bringen. Dies erfordert intensive technische und pädagogische Anstrengungen in verschiedenen Disziplinen.

Fazit:

„Ich denke, dass wir 2018 weitere Fortschritte in der Pharma-KI sehen werden. Im Jahr 2015 waren alle skeptisch, im Jahr 2016 begannen wir mit vielen Piloten, im Jahr 2017 begannen einige Pharmaunternehmen Sondierungsgeschäfte abzuschließen und im Jahr 2018 werden wir wahrscheinlich einige Ergebnisse sehen. Ich hoffe auch, dass die Unternehmen wie Facebook und Amazon ihre Stärken und die tatsächlichen Veränderungen, die sie im Gesundheitswesen sowohl in der Diagnostik als auch in der personalisierten Medizin bewirken können, erkennen. “- Dr. Alex Zhavoronkov, Mitbegründer und CEO von Insilico Medicine.

AIs sind nicht nur die kompetenten Assistenten der Forscher, sondern auch auf dem Weg, Krankheitsziele zu identifizieren, neue Wirkstoffmoleküle zu entwickeln, in wenigen Minuten geeignete Patienten zu rekrutieren, Patienten zu überwachen und Daten zu analysieren. All dies kann die Zeit und die Kosten des Arzneimittelentwicklungsprozesses um mehr senken als die Hälfte. Neue Diagnosewerkzeuge, neuartige Behandlungen, personalisierte Medikamente - wer weiß, was die Zukunft für die KI in der Wissenschaft noch bereithält?

Blinddarm:

Nachfolgend finden Sie eine Aufschlüsselung der Anzahl der Modifikationen, die an Folsäure vorgenommen werden können, um deren Köder zu erzeugen.

Schauen wir uns zunächst die Modifikationen an, die durch Ersetzen eines Wasserstoffmoleküls durch eine andere Gruppe vorgenommen wurden.

Folsäurestruktur

Betrachtet man die Verbindung, gibt es 19 Kohlenstoffatome, 7 Stickstoffatome, 6 Sauerstoffatome und 19 Wasserstoffatome. Es gibt insgesamt 15 Atome (10 Kohlenstoffatome, 4 Stickstoffatome und 1 Sauerstoffatom), an die ein oder zwei Wasserstoffatome gebunden sind (Molekül Nummer 1, 4, 12 und 13 haben zwei Wasserstoffatome). Wasserstoffatome, die an dieselben Atome gebunden sind, sind chemisch äquivalent, was bedeutet, dass der Effekt des Ersetzens eines Atoms durch eine Gruppe der gleiche ist wie der des Ersetzens des anderen. Daher haben wir insgesamt 15 einzigartige Standorte, an denen wir die Änderungen vornehmen können. Es gibt eine Vielzahl von Gruppen, die die Wasserstoffatome ersetzen können. Betrachten wir jedoch nur fünf der einfachsten Gruppen: -OH, -NH2, -CH3, -OCH2CH3, -CH2CH3.

Die Anzahl der möglichen Modifikationen, die durch Ersetzen eines Wasserstoffatoms durch eine der 5 oben aufgeführten Gruppen vorgenommen wurden: 15 × 5 = 75.

Was ist nun, wenn wir 2 Wasserstoffatome durch 2 der 5 oben aufgeführten Gruppen ersetzen?

Wir wählen 2 von 5 Gruppen und 2 von 19 Wasserstoffatomen.

Die Gesamtzahl der möglichen Modifikationen, die durch Ersetzen von zwei Wasserstoffatomen durch zwei der fünf Gruppen vorgenommen wurden: 5C2 × 19C2 = 10 × 171 = 1710

Es gibt also 75 + 1710 = 1785 mögliche Modifikationen.

Und denken Sie daran, dass dies nur die Anzahl der Modifikationen ist, die durch Ersetzen von 2 Wasserstoffatomen vorgenommen werden. In der Realität können mögliche Modifikationen auch den Ersatz von mehr als 2 Wasserstoffatomen, die Verwendung anderer Gruppen, die nicht in unseren 5 gemeinsamen Gruppen aufgeführt sind, und den Ersatz anderer Atome außer Wasserstoff umfassen (Animopterin leitet sich von Folsäure ab, indem es ersetzt wird) ein Sauerstoffatom mit einer -NH2-Gruppe).