Es kann eine Herausforderung sein, bei der großen Menge an unterschiedlichen SLC- Transportern, von denen man derzeit 458 Transportproteine kennt, die 65 Familien untergeordnet sind, den Überblick zu behalten. Es gibt bereits sehr gut erforschte SLC- Bereiche, jedoch gibt es noch viele SLC-Familien, über die wir nicht viel wissen. Ziel dieser Arbeit ist es, einen Überblick über den chemischen Raum der SLC-Liganden zu erarbeiten. Dies könnte die Aufmerksamkeit auch auf SLC-Proteine lenken, die noch als weniger wichtig empfunden werden als andere. Darüber hinaus kann sich die Sichtweise auf die umfangreiche SLC-Welt ändern, was ebenfalls ein guter Beginn sein kann neue Erkenntnisse zu gewinnen. Die Arbeit mit Big Data, verfügbar in ChEMBL, erforderte eine gute Software. In diesem Fall war KNIME die geeignete analytische Plattform. Zu Beginn des Workflows wurden mit der Definition der Targets über 86.000 Molekülen erhalten, die diese binden. Die Konzentration nur auf „kleine Moleküle“ verringerte die Anzahl der Moleküle nicht signifikant. Aus diesem Grund lag der Fokus auf „Inhibitoren“. Eine weitere Reduktionsmöglichkeit bestand darin, sich nach dem Herausfiltern von Molekülen, die die Targets lediglich binden, aber nicht inhibieren, sich nur auf Daten zu konzentrieren, bei denen „pChEMBL-Werte“ verfügbar sind. Der „PChEMBL-Wert“ zeigt Messungen der halbmaximalen Reaktion/Affinität/Potenz auf einer negativen logarithmischen Skala. Bei der Filterung nach dieser Bedingung war es auch von Interesse, auf das unterschiedliche Auftreten von SLC-Familien bei der Aufteilung in pChEMBL- Bereiche hinzuweisen. Die Kategorisierung von SLC-Transportern auf diese Weise könnte zeigen, wo sich die weitere Forschung konzentrieren könnte und ob es noch SLC-Proteine mit Hemmpotenzial gibt.

The big amount of different SLC-transporter, which count 458 transport proteins-belonging to 65 families, can be challenging for keeping an overview. While there are families which are already well researched, there are still many SLC families where we do not know much about them. The aim of this work was to provide an overview on the ligand space interacting with SLC-transporter. This could lead the attention also to SLC-proteins which are not yet considered as important as others. Beyond, the way of looking at things may change, what always is a good start for new findings. Working with big data, available in the ChEMBL-Database, requires a good software. In this case, KNIME was the suitable analytics platform. Starting the workflow with defining the targets and receiving over 86 000 molecules binding them, it was necessary to place some filter-nodes. Concentrating only on “small molecules” did not really decrease the number of molecules. For this reason, the focus was placed on “inhibitors”. Another reduction option, after filtering out molecules which only bind but do not inhibit the targets, was to concentrate only on data where “pChEMBL-values” are available. The “PChEMBL-value” shows measures of half-maximal response/affinity/potency on a negative logarithmic scale. When filtering for this condition, it was also of interest to point out the different occurrence of SLC families when splitting into pChEMBL ranges. Categorizing SLC-transporters in ways like this may show where further research could focus on, and if there are still SLC-proteins with inhibiting potential left.