Behavioral Profiling The complexity of the brain makes it difficult to predict how a drug will affect behavior without direct testing in live animals. Rihel et al. (p. 348 ) developed a high-throughput assay to assess the effects of thousands of drugs on sleep/wake behaviors of zebrafish larvae. The data set reveals a broad conservation of zebrafish and mammalian sleep/wake pharmacology and identifies pathways that regulate sleep. Moreover, the biological targets of poorly characterized small molecules can be predicted by matching their behavioral profiles to those of well-known drugs. Thus, behavioral profiling in zebrafish offers a cost-effective way to characterize neuroactive drugs and to predict biological targets of novel compounds.

Neuroactive small molecules are indispensable tools for treating mental illnesses and dissecting nervous system function. However, it has been difficult to discover novel neuroactive drugs. Here, we describe a high-throughput, behavior-based approach to neuroactive small molecule discovery in the zebrafish. We used automated screening assays to evaluate thousands of chemical compounds and found that diverse classes of neuroactive molecules caused distinct patterns of behavior. These 'behavioral barcodes' can be used to rapidly identify new psychotropic chemicals and to predict their molecular targets. For example, we identified new acetylcholinesterase and monoamine oxidase inhibitors using phenotypic comparisons and computational techniques. By combining high-throughput screening technologies with behavioral phenotyping in vivo, behavior-based chemical screens can accelerate the pace of neuroactive drug discovery and provide small-molecule tools for understanding vertebrate behavior.

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.

Abstract Cell death is a critical process that occurs normally in health and disease. However, its study is limited due to available technologies that only detect very late stages in the process or specific death mechanisms. Here, we report the development of a new fluorescent biosensor called genetically encoded death indicator (GEDI). GEDI specifically detects an intracellular Ca 2+ level that cells achieve early in the cell death process and marks a stage at which cells are irreversibly committed to die. The time-resolved nature of GEDI delineates a binary demarcation of cell life and death in real time, reformulating the definition of cell death. We demonstrate that GEDI acutely and accurately reports death of rodent and human neurons in vitro , and show GEDI enables a novel automated imaging platform for single cell detection of neuronal death in vivo in zebrafish larvae. With a quantitative pseudo-ratiometric signal, GEDI facilitates high-throughput analysis of cell death in time lapse imaging analysis, providing the necessary resolution and scale to identify early factors leading to cell death in studies of neurodegeneration.

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.