The psychedelic alkaloid ibogaine has anti-addictive properties in both humans and animals1. Unlike most medications for the treatment of substance use disorders, anecdotal reports suggest that ibogaine has the potential to treat addiction to various substances, including opiates, alcohol and psychostimulants. The effects of ibogaine-like those of other psychedelic compounds-are long-lasting2, which has been attributed to its ability to modify addiction-related neural circuitry through the activation of neurotrophic factor signalling3,4. However, several safety concerns have hindered the clinical development of ibogaine, including its toxicity, hallucinogenic potential and tendency to induce cardiac arrhythmias. Here we apply the principles of function-oriented synthesis to identify the key structural elements of the potential therapeutic pharmacophore of ibogaine, and we use this information to engineer tabernanthalog-a water-soluble, non-hallucinogenic, non-toxic analogue of ibogaine that can be prepared in a single step. In rodents, tabernanthalog was found to promote structural neural plasticity, reduce alcohol- and heroin-seeking behaviour, and produce antidepressant-like effects. This work demonstrates that, through careful chemical design, it is possible to modify a psychedelic compound to produce a safer, non-hallucinogenic variant that has therapeutic potential.

ABSTRACT TRPA1 receptors sense chemical irritants, but they do not normally respond to light. Previous studies have identified compounds that confer photosensitivity onto vertebrate TRPA1. However, the pharmacology of TRPA1-mediated non-visual photosensation remains poorly understood. To identify novel compounds that affect this process, we screened a large chemical library for compounds that increased light-elicited motor activity in larval zebrafish. We found structurally diverse hit compounds that were photoreactive and produced specific behavioral phenotypes. A subset of these compounds required functional TRPA1 to produce behavioral phenotypes in vivo. These findings provide novel prototype compounds for controlling TRPA1 with light and improve our understanding of non-visual TRPA1-mediated photosensation.

Identification of fluid biomarkers for progressive supranuclear palsy (PSP) is critical to enhance therapeutic development. We implemented unbiased DNA aptamer (SOMAmer) proteomics to identify novel CSF PSP biomarkers.

Abstract Behavioral larval zebrafish screens leverage a high-throughput small molecule discovery format to find neuroactive molecules relevant to mammalian physiology. We screened a library of 650 central nervous system active compounds in high replicate to train a deep metric learning model on zebrafish behavioral profiles. The machine learning initially exploited subtle artifacts in the phenotypic screen, necessitating a complete experimental re-run with rigorous well-wise randomization. These large matched phenotypic screening datasets (initial and well-randomized) provided a unique opportunity to quantify and understand shortcut learning in a full-scale, real-world drug discovery dataset. The final deep metric learning model substantially outperforms correlation distance–the canonical way of computing distances between profiles–and generalizes to an orthogonal dataset of novel druglike compounds. We validated predictions by prospective in vitro radio-ligand binding assays against human protein targets, achieving a hit rate of 58% despite crossing species and chemical scaffold boundaries. These newly discovered neuroactive compounds exhibited diverse chemical scaffolds, demonstrating that zebrafish phenotypic screens combined with metric learning achieve robust scaffold hopping capabilities.

Purpose: Compounds that act on the central nervous system (CNS) are crucial tools in drug discovery and neuroscience. To discover compounds with novel mechanisms of action, researchers have developed behavioral screens in larval zebrafish including various methods to identify and classify hit compounds. However, these methods typically do not admit intuitive numerical scores of screen performance. This study describes methods to classify compounds simultaneously in zebrafish and quantify screen performance. Methods: We collected randomized, highly replicated data for two sets of compounds: 16 quality control (QC) compounds and a reference set of 648 known CNS ligands. Machine learning models were trained to discriminate between compound-induced phenotypes, compare performance between protocols, and detect hit compounds. Results: Classification accuracy on the QC set was 94.3%. In addition, 106 of 648 CNS ligands were identified as phenotypically active, and hits were enriched for dopaminergic and serotonergic targets. The raw data is included to facilitate replication and data mining. Significance: This study describes methods to evaluate behavioral phenotyping assays, which can be used to facilitate comparison and standardization of data within the zebrafish phenotyping community.

Background Frontotemporal lobar degeneration (FTLD) is a leading cause of dementia in individuals aged <65 years. Several challenges to conducting in-person evaluations in FTLD illustrate an urgent need to develop remote, accessible, and low-burden assessment techniques. Studies of unobtrusive monitoring of at-home computer use in older adults with mild cognitive impairment show that declining function is reflected in reduced computer use; however, associations with smartphone use are unknown. Objective This study aims to characterize daily trajectories in smartphone battery use, a proxy for smartphone use, and examine relationships with clinical indicators of severity in FTLD. Methods Participants were 231 adults (mean age 52.5, SD 14.9 years; n=94, 40.7% men; n=223, 96.5% non-Hispanic White) enrolled in the Advancing Research and Treatment of Frontotemporal Lobar Degeneration (ARTFL study) and Longitudinal Evaluation of Familial Frontotemporal Dementia Subjects (LEFFTDS study) Longitudinal Frontotemporal Lobar Degeneration (ALLFTD) Mobile App study, including 49 (21.2%) with mild neurobehavioral changes and no functional impairment (ie, prodromal FTLD), 43 (18.6%) with neurobehavioral changes and functional impairment (ie, symptomatic FTLD), and 139 (60.2%) clinically normal adults, of whom 55 (39.6%) harbored heterozygous pathogenic or likely pathogenic variants in an autosomal dominant FTLD gene. Participants completed the Clinical Dementia Rating plus National Alzheimer’s Coordinating Center Frontotemporal Lobar Degeneration Behavior and Language Domains (CDR+NACC FTLD) scale, a neuropsychological battery; the Neuropsychiatric Inventory; and brain magnetic resonance imaging. The ALLFTD Mobile App was installed on participants’ smartphones for remote, passive, and continuous monitoring of smartphone use. Battery percentage was collected every 15 minutes over an average of 28 (SD 4.2; range 14-30) days. To determine whether temporal patterns of battery percentage varied as a function of disease severity, linear mixed effects models examined linear, quadratic, and cubic effects of the time of day and their interactions with each measure of disease severity on battery percentage. Models covaried for age, sex, smartphone type, and estimated smartphone age. Results The CDR+NACC FTLD global score interacted with time on battery percentage such that participants with prodromal or symptomatic FTLD demonstrated less change in battery percentage throughout the day (a proxy for less smartphone use) than clinically normal participants (P<.001 in both cases). Additional models showed that worse performance in all cognitive domains assessed (ie, executive functioning, memory, language, and visuospatial skills), more neuropsychiatric symptoms, and smaller brain volumes also associated with less battery use throughout the day (P<.001 in all cases). Conclusions These findings support a proof of concept that passively collected data about smartphone use behaviors associate with clinical impairment in FTLD. This work underscores the need for future studies to develop and validate passive digital markers sensitive to longitudinal clinical decline across neurodegenerative diseases, with potential to enhance real-world monitoring of neurobehavioral change.