A variety of machine learning methods such as naive Bayesian, support vector machines and more recently deep neural networks are demonstrating their utility for drug discovery and development. These leverage the generally bigger datasets created from high-throughput screening data and allow prediction of bioactivities for targets and molecular properties with increased levels of accuracy. We have only just begun to exploit the potential of these techniques but they may already be fundamentally changing the research process for identifying new molecules and/or repurposing old drugs. The integrated application of such machine learning models for end-to-end (E2E) application is broadly relevant and has considerable implications for developing future therapies and their targeting.

SARS-CoV-2 is a newly identified virus that has resulted in over 1.3 M deaths globally and over 59 M cases globally to date. Small molecule inhibitors that reverse disease severity have proven difficult to discover. One of the key approaches that has been widely applied in an effort to speed up the translation of drugs is drug repurposing. A few drugs have shown in vitro activity against Ebola virus and demonstrated activity against SARS-CoV-2 in vivo . Most notably the RNA polymerase targeting remdesivir demonstrated activity in vitro and efficacy in the early stage of the disease in humans. Testing other small molecule drugs that are active against Ebola virus would seem a reasonable strategy to evaluate their potential for SARS-CoV-2. We have previously repurposed pyronaridine, tilorone and quinacrine (from malaria, influenza, and antiprotozoal uses, respectively) as inhibitors of Ebola and Marburg virus in vitro in HeLa cells and of mouse adapted Ebola virus in mouse in vivo . We have now tested these three drugs in various cell lines (VeroE6, Vero76, Caco-2, Calu-3, A549-ACE2, HUH-7 and monocytes) infected with SARS-CoV-2 as well as other viruses (including MHV and HCoV 229E). The compilation of these results indicated considerable variability in antiviral activity observed across cell lines. We found that tilorone and pyronaridine inhibited the virus replication in A549-ACE2 cells with IC 50 values of 180 nM and IC 50 198 nM, respectively. We have also tested them in a pseudovirus assay and used microscale thermophoresis to test the binding of these molecules to the spike protein. They bind to spike RBD protein with K d values of 339 nM and 647 nM, respectively. Human C max for pyronaridine and quinacrine is greater than the IC 50 hence justifying in vivo evaluation. We also provide novel insights into their mechanism which is likely lysosomotropic.

Abstract With the ongoing SARS-CoV-2 pandemic there is an urgent need for the discovery of a treatment for the coronavirus disease (COVID-19). Drug repurposing is one of the most rapid strategies for addressing this need and numerous compounds have been selected for in vitro testing by several groups already. These have led to a growing database of molecules with in vitro activity against the virus. Machine learning models can assist drug discovery through prediction of the best compounds based on previously published data. Herein we have implemented several machine learning methods to develop predictive models from recent SARS-CoV-2 in vitro inhibition data and used them to prioritize additional FDA approved compounds for in vitro testing selected from our in-house compound library. From the compounds predicted with a Bayesian machine learning model, CPI1062 and CPI1155 showed antiviral activity in HeLa-ACE2 cell-based assays and represent potential repurposing opportunities for COVID-19. This approach can be greatly expanded to exhaustively virtually screen available molecules with predicted activity against this virus as well as a prioritization tool for SARS-CoV-2 antiviral drug discovery programs. The very latest model for SARS-CoV-2 is available at www.assaycentral.org .

Abstract There are currently relatively few small-molecule antiviral drugs that are either approved or emergency approved for use against SARS-CoV-2. One of these is remdesivir, which was originally repurposed from its use against Ebola and functions by causing early RNA chain termination. We used this as justification to evaluate three molecules we had previously identified computationally with antiviral activity against Ebola and Marburg. Out of these we previously identified pyronaridine, which inhibited the SARS-CoV-2 replication in A549-ACE2 cells. Herein, the in vivo efficacy of pyronaridine has now been assessed in a K18-hACE transgenic mouse model of COVID-19. Pyronaridine treatment demonstrated a statistically significant reduction of viral load in the lungs of SARS CoV-2 infected mice. Furthermore, the pyronaridine treated group reduced lung pathology, which was also associated with significant reduction in the levels of pro-inflammatory cytokines/chemokine and cell infiltration. Notably, pyronaridine inhibited the viral PL pro activity in vitro (IC 50 of 1.8 µM) without any effect on M pro , indicating a possible molecular mechanism involved in its ability to inhibit SARS-CoV-2 replication. Interestingly, pyronaridine also selectively inhibits the host kinase CAMK1 (IC 50 of 2.4 µM). We have also generated several pyronaridine analogs to assist in understanding the structure activity relationship for PL pro inhibition. Our results indicate that pyronaridine is a potential therapeutic candidate for COVID-19. One sentence summary There is currently intense interest in discovering small molecules with direct antiviral activity against the severe acute respiratory syndrome coronavirus 2 (SARS-Cov-2). Pyronaridine, an antiviral drug with in vitro activity against Ebola, Marburg and SARS-CoV-2 has now statistically significantly reduced the viral load in mice along with IL-6, TNF-α, and IFN-β ultimately demonstrating a protective effect against lung damage by infection to provide a new potential treatment for testing clinically.

Abstract Recent advances in machine learning (ML) have led to newer model architectures including transformers (large language models, LLMs) showing state of the art results in text generation and image analysis as well as few-shot learning (FSLC) models which offer predictive power with extremely small datasets. These new architectures may offer promise, yet the ‘no-free lunch’ theorem suggests that no single model algorithm can outperform at all possible tasks. Here, we explore the capabilities of classical (SVR), FSLC, and transformer models (MolBART) over a range of dataset tasks and show a ‘goldilocks zone’ for each model type, in which dataset size and feature distribution (i.e. dataset “diversity”) determines the optimal algorithm strategy. When datasets are small ( < 50 molecules), FSLC tend to outperform both classical ML and transformers. When datasets are small-to-medium sized (50-240 molecules) and diverse, transformers outperform both classical models and few-shot learning. Finally, when datasets are of larger and of sufficient size, classical models then perform the best, suggesting that the optimal model to choose likely depends on the dataset available, its size and diversity. These findings may help to answer the perennial question of which ML algorithm is to be used when faced with a new dataset.

The development of new drugs addressing serious mental health and other disorders should avoid the psychedelic experience. Analogs of psychedelic drugs can have clinical utility and are termed "psychoplastogens". These represent promising candidates for treating opioid use disorder to reduce drug dependence, with rarely reported serious adverse effects. This drug abuse cessation is linked to the induction of neuritogenesis and increased neuroplasticity, a hallmark of psychedelic molecules, such as lysergic acid diethylamine. Some, but not all psychoplastogens may act through the G-protein coupled receptor (GPCR) 5HT

1 Abstract Cytochrome P450 enzymes (CYPs) play an integral role in drug and xenobiotic metabolism in humans and thus understanding CYP inhibition or activation by new therapeutic candidates is an important step in the drug development process. Ideally, CYP inhibition/activation assays should be high-throughput, use commercially available components, allow for analysis of metabolism by the majority of human CYPs, and allow for kinetic analysis of inhibition type and time-dependent inhibition. Here, we developed pFluor50, a 384-well microtiter plate-based fluorogenic kinetic enzyme assay system using substrates metabolized by six human CYPs to generate fluorescent products and determined the Michaelis-Menten kinetics constant ( K M ) and product formation rate (V max ) for each substrate-CYP pair. The substrate-CYP pairs were as follows: resorufin ethyl ether for CYP1A2 ( K M = 0.8 μM), CYP2C9 ( K M = 0.6 μM), and CYP2D6 ( K M = 2.7 μM); resorufin benzyl ether for CYP2B6 ( K M = 46 μM); 3-O-methyl fluorescein for CYP2C19 ( K M = 3.0 μM); and dibenzyl fluorescein for CYP3A4 ( K M = 2.9 μM). We then validated each assay using known inhibitors: α-naphthoflavone for CYP1A2 (IC 50 = 13.5 nM); sertraline for CYP2B6 (IC 50 = 410 nM) and CYP2D6 (IC 50 = 2.4 μM); sulfaphenazole for CYP2C9 (IC 50 = 1 μM); ticlopidine for CYP2C19 (IC 50 = 1.2 μM); and CYP3cide for CYP3A4 (IC 50 = 56 nM). pFluor50 was also used to elucidate inhibition type and time-dependent inhibition for some inhibitors demonstrating its utility for characterizing the observed inhibition, even mechanism-based inhibition. The pFluor50 assay system developed in this study using commercially available components should be very useful for high-throughput screening and further characterization of potential therapeutic candidates for inhibition/activation with the most prevalent human CYPs.

Abstract We have recently identified three molecules (tilorone, quinacrine and pyronaridine tetraphosphate) which all demonstrated efficacy in the mouse model of infection with mouse-adapted Ebola virus (EBOV) model of disease and had similar in vitro inhibition of an Ebola pseudovirus (VSV-EBOV-GP), suggesting they interfere with viral entry. Using a machine learning model to predict lysosomotropism these compounds were evaluated for their ability to inhibit via a lysosomotropic mechanism in vitro . We now demonstrate in vitro that pyronaridine tetraphosphate is an inhibitor of Lysotracker accumulation in lysosomes (IC 50 = 0.56 μM). Further, we evaluated synergy between pyronaridine and artesunate (Pyramax®), which are used in combination to treat malaria. Artesunate was not found to have lysosomotropic activity in vitro and the combination effect on EBOV inhibition was shown to be additive. Pyramax® may represent a unique example of the repurposing of a combination product for another disease.

Computational approaches are widely applied in drug discovery to explore properties related to bioactivity, physiochemistry, and toxicology. Over at least the last 20 years, the exploitation of machine learning on molecular data sets has been used to understand the structure-activity relationships that exist between biomolecules and druggable targets. More recently, these methods have also seen application for phenotypic screening data for neglected diseases such as tuberculosis and malaria. Herein, we apply machine learning to build quantum Quantitative Structure Activity Relationship models from antimalarial data sets. There is a continual need for new antimalarials to address drug resistance, and the readily available

The recent outbreaks of the Ebola virus (EBOV) in Africa have brought global visibility to the shortage of available therapeutic options to treat patients infected with this or closely related viruses. We have recently computationally identified three molecules which have all demonstrated statistically significant efficacy in the mouse model of infection with mouse adapted Ebola virus (ma-EBOV). One of these molecules is the antimalarial pyronaridine tetraphosphate (IC50 range of 0.82-1.30 μM against three strains of EBOV and IC50 range of 1.01-2.72 μM against two strains of Marburg virus (MARV)) which is an approved drug in the European Union and used in combination with artesunate. To date, no small molecule drugs have shown statistically significant efficacy in the guinea pig model of EBOV infection. Pharmacokinetics and range-finding studies in guinea pigs directed us to a single 300mg/kg or 600mg/kg oral dose of pyronaridine 1hr after infection. Pyronaridine resulted in statistically significant survival of 40% at 300mg/kg and protected from a lethal challenge with EBOV. In comparison, oral favipiravir (300 mg/kg dosed once a day) had 43.5 % survival. The in vitro metabolism and metabolite identification of pyronaridine and another of our EBOV active molecules, tilorone, which suggests significant species differences which may account for the efficacy or lack thereof, respectively in guinea pig. In summary, our studies with pyronaridine demonstrates its utility for repurposing as an antiviral against EBOV and MARV, providing justification for future testing in non-human primates.