00:00:00: Hallo und herzlich willkommen zu einer neuen Folge von Dr.med carry einem Lernangebot der Charité,

00:00:10: und es KI-Campus mein Name ist Kerstin Ritter und ich sitze heute hier mit Prof dr Andrea Volkamer auf dem Gelände der Charité,

00:00:17: und freue mich sehr mich mit ihr über KI in den Medikamentenentwicklung auszutauschen Andrea magst du dich vielleicht kurz vorstellen also mein Name ist Andrea Volkamer ich bin studierte Bio InformatikerInnen und am leite hier eine Arbeitsgruppe.

00:00:31: Mit dem Thema strukturelle Bioinformatik und in silico Toxikologie.

00:00:36: Arm und ich habe mich einfach früh im Studium schon sehr für Wirkstoffdesign interessiert also den computerbasierten Wirkstoffdesign,

00:00:45: weil es einfach total spannend fand mehr darüber zu verstehen wie kleine Moleküle an Proteine binden Sie in unserem Körper alles funktioniert.

00:00:55: Und wie wir aber Computer einsetzen können um die Mechanismen aufzuklären und eben beim Wirkstoffdesign mitzuhelfen.

00:01:03: Woran forscht du genau.

00:01:05: Wir bewegen uns sehr in der Methodenentwicklung und sind so an der Schnittstelle zwischen Pharmazie Biologie Chemie und eben Mathematik Informatik.

00:01:18: Und versuchen gezielt mit Hunden zu entwickeln um den Wirkstoff Entwurf der sehr teuer ist und sehr lange dauert zu unterstützen.

00:01:27: Arm in dem wir vor allem mit roten und Entwickeln oben am große chemische Rheuma also sehr viele Moleküle die man am synthetisieren kann die man ausprobieren könnte im Labor.

00:01:40: Zu besuchen um die zu priorisieren die Hyäne sehr hohe Erfolgsrate haben

00:01:44: kannst du mal ein konkretes Beispiel nennen also was schaut ihr euch genau ein bestimmtes Medikament z.b. na also wir schauen uns alles auf dem molekularen oder atomaren Level an was wir wirklich ganz weit reinzoomen am Mund einen

00:01:58: Beispiel für Medikamente was die meisten wahrscheinlich kennen ist Aspirin also ein Schmerzmittel Kopfschmerzen oder Entzündungen hemmt.

00:02:06: Und das ist ein sogenannter inhibitor also man kann sich die Proteine im.

00:02:12: Körper als SA sonst kleine Blume vorstellen die irgendwo eine Bindestelle haben und im Normalfall gehen.

00:02:21: Die Signale hier durch das ist bin etwas sodass freigegeben und das gibt es Signal für den Schmerz weiter.

00:02:27: Aspirin ist jetzt ein kleines Molekül was hier rein dort und da fest also kovalent bindet wodurch einfach diese Schmerz Weitergabe geblockt wird blockiert wird.

00:02:38: Und wir beschäftigen uns eben damit wie muss dieses Molekül beschaffen sein dass es genau diese Bindestelle adressiert und dort gut bindet so dass der,

00:02:47: natürlich Vorgang unterbrochen wird,

00:02:50: und wie stellt ihr dieses Molekül da also wie wie sieht der Computer so ein Molekül am es gibt da sehr sehr viele Möglichkeiten wie man das machen kann Moleküle bestehen ja aus Atomen die überbindungen verbunden sind.

00:03:04: Man kann sich das wie einen Graphen vorstellen.

00:03:07: Und wir können jetzt das Molekül als Ganzes beschreiben wie groß ist es wie schwer ist es welche Eigenschaften hat es wenn wir aber gerade in Richtung maschinelles Lernen denken am wollen wir sehr oft.

00:03:19: Viel genauer wissen wie die lokale lokale Eigenschaften sind.

00:03:22: Das heißt am wir setzen uns quasi auf ein Atom drauf und gucken uns die direkte Nachbarschaft annahm und beschreiben das in einem Bienennest Finger ab.

00:03:31: In einem langen Vektor wo an jeder Stelle eine diese Eigenschaften codiert ist und wenn das Molekül diese Eigenschaft hat wird kleine eins gesetzt ansonsten eine Null.

00:03:41: Lieber wissen kann Computer sehr gut Nullen und Einsen verarbeiten und so können wir sehr schnell viele Moleküle vergleichen.

00:03:48: Und wie wird maschinelles Lernen hier genau eingesetzt also was versucht ihr vorher zu sagen habt ihr ein bestimmtes Level also ob es passt oder nicht ist das so wie ner oder ist das also wir können uns sowohl binär als auch.

00:04:00: Nicht-binär machen wir wollen eigentlich immer oder in den Beispiel nicht jetzt genannt habe.

00:04:05: Die Bindung die bindungsstärke dieses Moleküls an das Protein vorhersagen,

00:04:10: Andy kann natürlich auch im Experiment gemessen werden und ist ein auf einer Skala in nanomolar in Bereich,

00:04:18: haben wir draußen da immer den EC50 wert im Labor wie hoch ist die in die Wirkungskraft dieses inhibitors.

00:04:26: Und wir können dann aber eine Grenze setzen und sagen wenn sie über diesen Wert es ist eins ist bindet wenn sie unter dieser Grenze ist ist es null es bindet nicht.

00:04:36: Und am wie wir dann unsere Modelle aufbauen ist wir benötigen natürlich Daten es gibt eine der größten verfügbaren frei verfügbaren Datenbänke ist die sogenannte Camel Datenbank.

00:04:49: Da haben wir mittlerweile über 1000000 ist der fast zwei Millionen Datenpunkte wo ein bestimmtes kleines Molekül an ein Target gemessen wurde im Experiment also man hat diesen EC50 wert z.b.

00:05:03: Und kann diese Datenbank natürlich benutzen um zu lernen also sagen wir ich kenne 10.000 Moleküle aus dieser Datenbank die an mein Protein sagen wir es ist Cyclo oxygenase,

00:05:17: das Protein an das Aspirin bindet die dort schon getestet wurden dann baue ich ein Modell dass mir vorher sagt.

00:05:25: Ein neues Molekül auch daran binden wird oder nicht und wie wie wie kommt denn diese Datenbank zustande worden vorher quasi zwei Millionen Experimente durchgeführt und.

00:05:35: Jeder auf der Welt fliegt er seinen Ergebnis 1 oder ist es so ne also.

00:05:41: Tatsächlich ist es ein Community fort und Erfurt könnte man sagen.

00:05:47: Also jeder Wissenschaftler im Prinzipien der Charité oder am überall auf der Welt der im Excel im Labor arbeitet und eben diese Daten produziert,

00:05:56: kann die dort hinterlegen die meisten Daten die wir dort finden sind aus Publikationen weil sie haben ihre Experimente publiziert und hinterlegen die Daten dann in dieser Datenbank.

00:06:08: Am das wird natürlich kuriert sein dann sogenannte Vertrauenswerte am wie sicher ist man sich über die Verlässlichkeit der Messung da sind natürlich noch ganz viele andere Daten angegeben das heißt wenn wir den Datensatz benutzen können wir auch nicht einfach.

00:06:22: Von Null anfangen und alles nehmen sondern müssen immer standardisieren den Datensatz säubern.

00:06:28: Aber generell sind hier in einem sehr guten Zustand um die benutzen zu können und diese Datenbank wird die auch von Pharmafirmen benutzt oder helfen die auch aktiv.

00:06:39: Die Zunge aufzubauen also die Sache ist dass sind die frei verfügbaren Daten die jeder Wissenschaftler sowie wir benutzen kann,

00:06:48: aber es gibt sehr sehr sehr viel mehr Daten in Pharmafirmen die testen hochdurchsatz wenn Sie an einem neuen Protein an einem target forschen.

00:07:00: Mehrere tausend mehrere 100.000 von Molekülen,

00:07:04: das wären für uns Wissenschaftler natürlich die noch spannenderen Daten weil sie weniger verrauscht sind es ist genau das gleiche Setup für das Experiment es ist meistens eine viel komplette Matrix am weil sie.

00:07:17: Sich für ein Tages eine ganze Reihe an Moleküle anschauen werdend in der Camel der frei verfügbaren Datenbank man eben keine vollständige Matrix hat viel Rauschen weil verschiedene Leute die Experimente gemacht haben.

00:07:32: Zeit für uns USA super spannend mit Pharmafirmen zusammenzuarbeiten um auf die Daten zuzugreifen einerseits.

00:07:39: Andererseits ist auch total spannend für uns z.b. Modelle auf öffentlichen Daten zu trainieren und uns überhaupt anzuschauen wie gut können wir extrapolieren in den Raum den der jetzt für eine Pharmafirma interessant ist weil,

00:07:52: das ja auch eine Kritik an vielen Lernverfahren oder in vielen Modellen dass wir in einer Kreuzvalidierung gute Ergebnisse sehen wenn wir es aber auch.

00:08:01: Echte neue Probleme anwenden die Vorhersagbarkeit auf singt und damit beschäftigen wir uns auch wie können wir besser vorhersagen wie gut wir wirklich auf externen Daten.

00:08:13: Anwender sind und

00:08:15: kannst du das ein bisschen genauer angeben wie gut ist man denn also was für klassifikations Genauigkeiten kann man kriegen hängt das sehr von Molekül und von den Daten ab wahrscheinlich ja wer also es hängt sehr vom problem ab

00:08:28: und von der datenlager so wir können.

00:08:30: Am einerseits uns mit sehr spezifischen Fragestellungen beschäftigen bindet Molekül X an target y this wenn einer eins zu eins Beziehung.

00:08:41: Im Körper wissen wir aber es alles viel komplexer wenn wir uns jetzt überlegen wir wollen am Toxizität eines Moleküls vorhersagen,

00:08:48: dann spielen da so viele Komponenten mit rein die sich gar nicht so einfach abbilden lassen das man bräuchte noch viel mehr Daten.

00:08:56: Wenn wir jetzt aber Zurückgehen auf die einfachere Fragestellungen dass wir z.b. in der Krebsforschung sind spielen Kinasen sehr große Rolle,

00:09:06: und wir wollen Modelle für eine spezifische kinase bauen.

00:09:11: Da haben wir sehr viele Daten und da kommen wir schon in AoC Wertebereiche um die 0,8 0,9.

00:09:20: Aber es gibt auch welche da funktioniert sehr schlecht also da.

00:09:26: Ist die Spannbreite groß hier und bei den Chinesen heißt dass ihr forscht Mütter dran auch neue Medikamente gegen bestimmte Krebsformen zu finden also was da passen.

00:09:37: Könnte genau ich sag mal also ein großer Teil unserer Forschung ist wirklich die Methodenentwicklung die sehr früh einsetzt wo wir die.

00:09:46: Aber mit Hunden auch sehr generisch auf sehr viele Fragestellungen anwenden können wir haben aber sehr viele Kooperationspartner.

00:09:53: Die sich für eine bestimmte Krebsform interessieren die schon Moleküle manchmal gefunden haben die die noch optimieren wollen und da arbeiten wir dann in der sehr engen Kollaborationen dran,

00:10:05: am wirklich am Moleküle für ein bestimmtes Problem zu finden oder die gefundenen zu verbessern.

00:10:12: Oder auch einfach den Wirkmechanismus zu erklären also manchmal wissen Sie.

00:10:17: Molekül tut etwas aber warum tut es ist und da können wir eben auch ansetzen und helfen diese Fragestellungen zu.

00:10:24: Erlösen und wenn du sagst dass die Methodenentwicklung macht das heißt ihr schaut euch dass er theoretisch an und stell dir dann Methoden zur Verfügung oder stellt ihr Algorithmen zur Verfügung oder code.

00:10:37: Also wie läuft die will ja genau wie läuft die Kalibration ja genau also wir,

00:10:42: tatsächlich versuchen in den letzten Jahren auch sehr viel Open Source also am frei verfügbaren Code zu machen weil wir selber auch sehr viele Bibliotheken von anderen benutzen und ich denke das ist ein sehr wichtiger Aspekt,

00:10:54: die mit Hunden werden nur besser wenn Sie viel benutzt werden dadurch werden sie auch getestet das heißt wir stellen den Code gerne auf frei zur Verfügung.

00:11:02: Am oft ist es aber so dass man natürlich jemanden braucht der sich gut mit dem Programm aus kennt jemand der sich gut mit dem Problem auskennt das heißt man braucht schon immer diese menschliche Interaktionen ist jemand.

00:11:15: Der sich damit auskennt die programme ausführt die richtigen Parameter sucht,

00:11:20: und quasi das Feedback von unserem Kollaborationspartner braucht um das Ganze in die richtige Richtung zu leiten.

00:11:30: Und mit den Pharmafirmen er arbeitet auch mit einer Pharmafirma zusammen und das läuft dann meistens darauf hinaus dass die Pharmafirma euch Daten g,

00:11:38: und ihr diese dann analysiert und dann noch was weiteres dazu raus findet alles ist wahrscheinlich denn immer zeitlich begrenzt ihr könnt die Daten für eine bestimmte,

00:11:46: öffne bestimmte Fragestellungen benutzen und dann in also es kann dieses Modell sein in letzter Zeit haben wir öfter zufällig aber dieses umgekehrte Modell das ist,

00:11:56: die Pharmafirma sich dafür interessiert eine solche Methode intern auch langfristig anzuwenden,

00:12:02: dass sie gerade mit uns zusammenarbeiten um diese Methoden zu entwickeln diese Methoden zu verfeinern

00:12:08: Ambu wir dann sehr viel auch auf öffentlichen Daten erstmal arbeiten um das Problem zu verstehen die Methoden zur Verfügung zu stellen teilweise auch als Open Source.

00:12:18: Die sie dann nehmen können um sich später intern bei sich einfach anzuwenden zwischendurch gibt's oft so eine Zwischenebene dass wir,

00:12:27: teilweise Daten von ihnen benutzen um zu gucken wie funktioniert aber wir müssen immer aufpassen eben auf die Trennung zu haben weil es für uns wichtig ist zu publizieren für einen Industriepartner natürlich wichtig ist am.

00:12:41: Damit wirklich Moleküle zu verbessern aber da natürlich IP wir sind sehr große sehr große Rolle spielt.

00:12:47: Und habt ihr auch eine Zusammenarbeit bezüglich Medikamente für Corona z.b.

00:12:53: Also wir haben keine direkte Zusammenarbeit aber ich finde es total spannend es gibt eine sehr große Initiative wo wir teilgenommen haben,

00:13:01: die versucht einen Corona Medikament mit Open Source Open Science komplett zu entwickeln also für ein ganz großer Aufruf online.

00:13:10: Das ist jeder der sich mit Computer mit Hoden oder auch,

00:13:14: nicht mit Computer Methoden beschäftigt Moleküle vorschlägt die an ein bestimmtes Corona Protein binden und die folgenden Experimente was muss ja alles im Labor getestet werden die Erben von der Organisation mitgetragen.

00:13:29: Und einige Moleküle haben einen sehr sehr guten Status mittlerweile wurden im Experiment also im in vitro Experiment gemessen,

00:13:39: und mit denen machen sie jetzt weiter und das finde ich eine ganz spannende Sache dass man wirklich die Experten der ganzen Welt zusammenbringt und eben ohne IP ich wüsste versucht einfach dieses Problem zu lösen mit dem wir alle momentan zu kämpfen haben,

00:13:54: und was würdest du sagen wie viele Leute arbeiten an solchen Wirkstoffdesign selber machen so Sachen.

00:13:59: So ähnliche Forschung wie du sie machst sind das sehr viele oder ist das was dass ich gerade so relativ neu entwickelt am.

00:14:07: Also unser Gebiet ist natürlich noch neuer aber aber ich glaube die meisten großen Städte haben ein Bioinformatik Studium mittlerweile und bestimmt auch.

00:14:19: Wenn man seit 20 Jahren ist es schon ein Bereich der gefördert wird der einfach auch großes Potenzial hat.

00:14:26: Am sie mir jetzt auch wieder mit der zweiten Welle des maschinellen Lernens ist deep learning ist aber das wäre.

00:14:33: Mittlerweile einfach so viele Daten haben die kein Mensch mehr durchforsten kann das heißt wir brauchen Computer.

00:14:39: Und da gibt's dann eben aus der Informatik aus der Mathematik die neuen Algorithmen die wir können diese beiden Welten wieder zusammenführen und dadurch einfach.

00:14:49: Fragestellungen lösen die wir vor 20 Jahren vielleicht noch nicht hätten lösen können und weil es gerade erwähnt hast deep learning was für eine Rolle spielt das bei euch,

00:14:58: deep learning spielt eine immer größere Rolle es gibt z.b. ganz viele Firmen auch die jetzt Start-ups die gegründet werden die sich genau das auf die Fahne schreiben,

00:15:09: dass man einfach die Daten nimmt und die Algorithmen die burning Algorithmen benutzt um wirklich dieses Nichtlinearität die wir in unseren Problemen haben abzubilden.

00:15:21: Aber ich glaube dass ich Moleküle und Proteine sehr dafür eignen weil sie viele Eigenschaften haben die man in einem Netzwerk sehr gut abbilden kann auch ich habe vorhin von Grafen gesprochen aber man kann,

00:15:32: Graph basierte Algorithmen benutzen ich habe noch nicht so sehr über 3D gesprochen also,

00:15:38: am Moleküle Proteine haben eine 3D Konfirmation die müssen zueinander passen,

00:15:43: das heißt wir können Sie auch in 3D Gittern abbilden wir können dann bildbasierte Algorithmen benutzen also convolutional neural networks,

00:15:52: das sind alles ganz spannende Themen und was auch sehr groß wird das machen wir selber nicht es de novo Design also dass der Algorithmus selber

00:16:01: geeignete Moleküle vorschlägt also was wir machen wir haben eine ganz große Datenbank und suchen die besten raus die andere Möglichkeit ist,

00:16:09: neue Vorschläge zu machen also generative Modelle die man dann neu entwickeln muss die man dann im Labor realisieren muss das ist auch gerade ganz Speicher ist Feld und.

00:16:22: Der wird ja deep learning vorgeworfen dass die drücken und auf dich interpretierbar sind oder schwer zu verstehen was fanden die jetzt dann eigentlich relevanten Daten spielt das bei euch eine Rolle,

00:16:32: oder ist es eher wenn es passt dann passt es und dann ist es in Ordnung oder muss man da genauer verstehen warum es jetzt vielleicht,

00:16:39: genau das Spiel bei uns auch eine sehr große Rolle und auch was womit wir uns beschäftigen,

00:16:44: weil wir wollen ja wissen was hat der Algorithmus gelernt und oft wollen wir ja Moleküle verbessern also es wird eine Sache wenn ich sagen kann das Molekül ist toxisch oder es ist nicht toxisch.

00:16:55: Aber ich will es ja vielleicht optimieren dass es weniger toxisch wird und dazu muss ich verstehen welche Teile des Moleküls hatten in den größten Einfluss auf diese Toxizität.

00:17:04: Und wir haben uns z.b. auch am Main Methode angeschaut in der wir einen Netzwerk aufgebaut haben und.

00:17:11: Quasi die Knoten zurück traversieren um zu sehen welche dieser lokalen Eigenschaften der Moleküle ich am Anfang geschrieben habe.

00:17:19: Den größten Einfluss auf Zytotoxizität z.b. haben dass man das auch einem medizinalchemie kam in einer sehr schönen 3D oder 2D Darstellungen über Farben anzeigen kann so hier aufpassen also,

00:17:32: rote wir wollen wir nicht hin und dann kann sich eben einen Coloration Partner auch überlegen wie kann ich es nur diesen Teil am Molekül austauschen das,

00:17:42: die Eigenschaft besser wird es heißt Interpretierbarkeit ist sehr wichtig bei uns auch.

00:17:47: Wie wird denn Toxizität eigentlich gemessen da gibt es auch unterschiedliche Variablen wahrscheinlich genauso,

00:17:54: Toxizität ist ein sehr sehr großer Begriff er das Beispiel was ich gerade genannt habe ist Zytotoxizität wo man sich einfach anschaut wie viele Zellen sterben wenn ich das Molekül in meine Lösung gebe achso

00:18:08: wir wollen natürlich das nicht so viele sterben und über diesen Wert und man zählt einfach die Zellzahl nach.

00:18:14: Bestimmten Zeitpunkt nach einem Tag oder nach zwei Tagen und brechen sich dann einen Wert wie zytotoxisches Molekül ist,

00:18:21: musste ja Toxizität das nicht auch noch mal im Tiermodell überprüft werden

00:18:25: genau alles ganz genau weiß man es erst wenn es tatsächlich im Tier also in vivo gemessen wird wobei auch da immer die Frage ist wie es die Vergleichbarkeit zwischen den Effekten im Tier oder im Menschen.

00:18:38: Aber ein großes Ziel oder eine Vision unsere Forschung ist dass wir langfristig

00:18:43: Tierversuche reduzieren wenn nicht irgendwann vielleicht sogar ersetzen können,

00:18:50: und da spielt eben eine Rolle dass wir diese Priorisierung machen können also wenn wir sehr früh entscheiden können dass ein Molekül eine sehr sehr hoher Wahrscheinlichkeit hat das ist toxisch ist weil es sehr ähnlich zu anderen verglichen Molekülen ist.

00:19:04: Dann können wir einfach Flagge hochhalten oder können sagen Stopp und dann muss dieses Molekül nicht mehr im Tiere getestet werden,

00:19:13: so dass wir dadurch also durch diese

00:19:15: besseren Vorhersagen einfach schon vier Versuche reduzieren können das heißt du musst viel weniger Medikamente an Tieren testen und hatten am Ende nur noch,

00:19:25: medikamente der Moleküle die irgendwie besonders erfolgsversprechend sind die aber dann trotzdem noch im Tier getestet werden das man kann nicht den Prozess selber simulieren wie das im Tier wirkt

00:19:36: auch da gibt's Forschungsgruppe nicht mehr mit der systemischen Analyse eben beschäftigen also Systembiologie

00:19:45: wird's eben alles sehr viel komplexer und ich glaube auch nicht dass ein Gebiet ist alleine lösen kann sondern dass.

00:19:53: Unsere Vorhersagen zusammen mit anderen Vorhersagen irgendwann das so plausibel beschreiben können dass man eben vielleicht keine versuchen mehr machen muss am Tier.

00:20:05: Und man muss aber dazu sagen natürlich gibt es regulatorisches stellen,

00:20:10: die am unsere Vorhersagen auch erstmal akzeptieren müssen also momentan ist es so dass wirklich der Tierversuch der state-of-the-art ist am Schluss

00:20:19: also nur weil wir sagen würden etwas ist safe würde es niemandem gegeben werden wir können aber schon auf der anderen Seite helfen dass wir sagen die Sachen funktionieren auf gar keinen Fall,

00:20:28: und die werden einfach nicht weiterentwickelt.

00:20:30: Und in diesem langen Prozess der Medikamentenentwicklung wo ist genau eure Forschung ganz am Anfang wahrscheinlich in der ganze Prozess dauert wirklich sehr lange als SG.

00:20:41: Bis zu 12 13 Jahren so im Mittel bis ein Medikament wirklich zugelassen wird.

00:20:47: Armes kostet mehrere Billionen Dollar oder Euro am weil einfach,

00:20:52: sehr oft was fehlschlägt also man muss erstmal in target identifizieren also das Protein was ich in die Viren will z.b.

00:20:59: Dann braucht man Moleküle die einen ersten Effekt zeigen die müssen optimiert werden,

00:21:04: und genau in dem Bereich setzen unsere Methoden ein und erst wenn man schon einen sehr sehr guten Kandidaten hat den man sehr gut im Labor getestet hat dann kommen die Tierversuche dann kommen,

00:21:14: die klinischen Phasen am und wenn man natürlich sehr spät scheitert hat man schon sehr viel Geld und sehr viel Zeit investiert das ist unsere Methoden am Ziel nach hab am Anfang wenig Fehler zu machen am sodass man Besamer fail early fail cheap.

00:21:29: Das heißt wenn man sehr früh stoppt dann spart man sich diesen langen Prozess,

00:21:35: und vielleicht ein Beispiel noch auch aus der aktuellen Corona Situation wo wir auch wissen es gibt einfach noch kein Medikament.

00:21:45: Jeder auf der Welt forsch daran warum dauert zu lange weil dieses ganze Problem ebenso komplex ist.

00:21:52: Weil wir viele Sachen eben erst durch Ausprobieren am feststellen können,

00:21:57: und eine Möglichkeit was man auch machen kann ist das sogenannte Truck Rebirthing was wir auch im Fall von Corona jetzt sehen mit Ramsey wir z.b.

00:22:07: Und auch hier können wir Computer einsetzen dass wir alle bekannten Moleküle oder alle bekannten drugs die schon auf dem Markt sind das heißt die haben ja diese Phasen schon durchlaufen wir wissen die sind.

00:22:18: Amsafe für den Körper für den Menschen,

00:22:20: dass wir gucken welches dieser bekannten Medikamente wirkt gegen ein Protein des Virus ist also welches,

00:22:29: dieser Medikamente Hemd den Nil Virus dabei sich zu vermehren und dann könnten wir so ein Medikament eben für.

00:22:36: Jetzt schon für Krone einsetzen am obwohl es nicht dafür entwickelt wurde und das zeigt eben auch wie rationales Design am einfach helfen kann.

00:22:47: Ja sehr spannend herzlichen Dank für das Gespräch und bis zum nächsten Mal tschüss.