Wetenschap
Machine learning-model onthult nieuwe mogelijkheden voor het ontwerpen van geneesmiddelen
Ziekteverwekkers zijn niets anders dan aanpasbaar, en hun vermogen om zichzelf te beschermen tegen antibiotica vormt steeds meer een probleem voor de volksgezondheid. Een onderzoeksteam onder leiding van het Los Alamos National Laboratory heeft machinaal leren, een toepassing van kunstmatige intelligentie, gebruikt om moleculaire eigenschappen te identificeren die de ontdekking van nieuwe soorten antibiotica zouden kunnen begeleiden, vooral onder ziekteverwekkers die door de Wereldgezondheidsorganisatie als kritisch worden beschouwd vanwege hun hoge bacteriële concentratie. weerstand.
De bevindingen zijn gepubliceerd in het tijdschrift Communications Chemistry .
"Sommige ziekteverwekkers hebben eigenschappen die ze zeer effectief maken in het weerstaan van antibiotica", zegt Gnana Gnanakaran, wetenschapper bij Los Alamos. "De ontdekking van specifieke verbindingen die sommige pathogenen kunnen doordringen en remmen is een uitdaging als een speld in de hooiberg vanwege de enorme heterogeniteit en diepte van de chemische ruimte, en de complexiteit van de moleculaire interacties tussen bacteriële membranen. De aanpak die we gebruiken is in staat om de bacteriespecifieke profielen op moleculair niveau te onderzoeken die nodig zijn voor een succesvolle ontwikkeling van geneesmiddelen."
Bacteriële afweer tegen antibiotica
Gram-negatieve bacteriën hebben een buitenmembraan dat minder doorlaatbaar is voor verbindingen, zoals die waaruit antibiotica bestaan, en de bacteriën kunnen ook verbindingen uitstoten die toevallig binnenkomen, waardoor de effectiviteit van een antibioticum wordt beperkt.
Datagestuurde modellen hebben het potentieel om moleculaire eigenschappen te identificeren die dergelijke bacteriële verdedigingsmechanismen zouden kunnen overwinnen, maar nauwkeurige berekeningen om die bepalingen te maken zijn een uitdaging en vereisen uitgebreide computerbronnen. Chemisch diverse verbindingen kunnen veel relevante eigenschappen bevatten; het door machine learning aangestuurde onderzoek reduceerde het relevante spectrum van die eigenschappen en stelde empirische regels vast die het vermogen van de verbinding om het buitenmembraan van de bacterie te doordringen zouden voorspellen.
Machine learning-model identificeert eigenschappen die ziekteverwekkers bestrijden
Het onderzoeksteam richtte zich specifiek op de gramnegatieve bacterie Pseudomonas aeruginosa en ontwikkelde een machinaal leermodel om de relevante descriptoren geassocieerd met verbindingen te identificeren en het succes van die verbindingen te voorspellen bij het doordringen van de buitenmembranen van bacteriën en het voorkomen van uitzetting. Het team vertrouwde op de krachtige computercapaciteiten van Los Alamos om de moleculaire eigenschappen van permeatie te extraheren uit simulaties waarbij rekening werd gehouden met 1.260 chemisch diverse verbindingen terwijl ze door het bacteriële membraan reizen.
Hun analyse werpt nieuw licht op de belangrijkste eigenschappen die kandidaat-geneesmiddelen nodig hebben om Pseudomonas aeruginosa effectief te doordringen, en opent de poort naar soortgelijke datagestuurde onderzoeken naar andere gramnegatieve pathogenen.
"De machine learning-technieken die we in deze analyse hebben gebruikt, wijzen op een veelbelovende aanpak voor vergelijkbare datagestuurde onderzoeken in andere biologische membranen, waaronder de bloed-hersenbarrière", aldus Gnanakaran.