「超级细菌」魔咒或将打破,MIT 利用深度学习发现新型抗生素

作者:加零

编辑:李宝珠、三羊

MIT 利用图神经网络 Chemprop 识别潜在抗生素,特异性杀死鲍曼不动杆菌。

自然界中充满了各种各样的微生物,例如结核杆菌(导致肺结核)、霍乱弧菌(导致霍乱)等严重危害了人们的健康。而在人类历史上,感染这些致病细菌,除了依赖人体自身的免疫系统,几乎无解。直到 1928 年,青霉素的发现,让人类第一次拥有了战胜致病细菌的有力武器。

然而,抗生素的广泛应用也带来了一个巨大的危机 —— 抗生素耐药性 (AMR),据世界卫生组织 (WHO) 统计, 2019 年全球约有 120 万人死于抗生素耐药性 (AMR) 所加剧的细菌感染,这已经高于艾滋病导致的死亡人数。滥用抗生素催生某些「超级细菌」的出现,成为了 21 世纪临床重要致病因。要解决这一难题,迫切需要开发全新的抗生素。

针对特异细菌,深度学习模型可以提高对化合物药效和安全性的预测准确性,有效减少实验室实验和临床试验的时间和资源消耗,对有效且安全的抗生素发现至关重要。

为此,来自 MIT 的研究者们开发了一种深度学习方法来发现抗生素,利用图神经网络 Chemprop 从大型化学库中识别潜在的抗生素,并发现了一类新型抗生素。 他们能够特异性杀死重要的耐药菌 —— 鲍曼不动杆菌 (Acinetobacter baumannii),相关论文已发表于 Nature。

在这里插入图片描述

论文已发表于 Nature

论文地址:
https://www.nature.com/articles/s41586-023-06887-8
关注公众号,回复「发现抗生素」下载完整论文

实验方法:利用图神经网络的深度学习

数据集:多种化合物

初步筛选: 该研究初步筛选了 39,312 种化合物,对其抗生素活性和人类细胞毒性特征进行分析。
扩大预测: 为进一步扩大预测范围,这些模型对 12,076,365 种化合物进行测试,其中 11,277,225 种来自 Mcule 数据库,799,140 种来自 Broad Institute 数据库。

在这里插入图片描述

39,312 个化合物的分子量分布

算法训练:利用图神经网络进行训练

使用图神经网络 Chemprop 对筛选出的 39,312 种化合物进行训练,预测其抗生素活性和人类细胞毒性,训练过程如下。

在这里插入图片描述

分子表示: 使用 RDKit 从每个化合物的 SMILES(Simplified Molecular Input Line Entry Specification,简化分子输入线性入口系统)字符串生成基于图的分子表示。

特征向量生成: 为每个原子和键生成特征向量,包括原子特征(如原子序数、键数、正电荷等)和键特征(如键类型、共轭、环成员资格等)。

信息传递: 实现基于键的信息传递卷积神经网络,更新键的消息,通过神经网络层并应用非线性激活函数。

模型输出: 模型在固定的信息传递步骤后,对整个分子的消息进行汇总,通过前馈神经网络预测化合物的活性,如抗生素活性、细胞毒性或改变质子动力势的活性。

优化措施: 包括添加额外的分子级特征、使用超参数优化选择最佳性能参数,以及通过集成学习增强模型的鲁棒性。

模型架构:保证化合物的有效性和安全性

抗生素活性模型

研究人员在化合物浓度 50 μM 的培养基中预测其对金黄色葡萄球菌 (S. aureus) 的抗生素活性,以 80% 标准化生长抑制截止值 (normalized growth inhibition cut-off) 区分为活性或无活性。共 10 个图神经网络模型在同一 80% - 20% 的训练数据集上进行了训练、验证和测试。

结果显示,具有 RDKit 特征的 Chemprop 模型表现出更优越的预测能力,在 39,312 种化合物中识别出 512 种活性化合物。

在这里插入图片描述

预测抗生素活性的深度学习模型比较

人类细胞毒性模型

研究人员利用 39,312 种化合物对人类肝癌细胞 (HepG2)、人类初级骨骼肌细胞 (HSkMCs) 和人类肺成纤维细胞 (IMR-90) 进行毒性筛选。在用每种化合物 10 μM 浓度处理 2-3 天后,评估细胞活力,以 90% 细胞活力截止值 (cell viability cut-off) 将化合物活性分类。

同样对 10 个 Chemprop 模型集合进行了训练、验证和测试,对比结果如下图:

在这里插入图片描述

预测人类细胞毒性的深度学习模型比较

结果显示,分别有 3,341 (8.5%)、1,490 (3.8%) 和 3,447 (8.8%) 的化合物对 HepG2 细胞、HSkMCs 和 IMR-90 细胞具有毒性。在上步筛选出的 512 种活性抗菌化合物中,306 种对这三种细胞类型均无毒性。

总结来看,尽管与抗生素活性模型相比存在一定局限性,这一模型平衡了药物的有效性和对人体的无害性,展示了在药物发现中使用先进计算方法的潜力。

实验结果:抗生素的筛选识别

精炼和大范围应用模型:全化学空间的筛选和可视化

在这一研究阶段中,重点在于精炼和应用模型,以便在庞大的化学空间中识别潜在的抗生素化合物,并评估它们的细胞毒性。研究人员重新训练了 20 个 Chemprop 模型用于预测抗生素活性和 HepG2、HSkMC、IMR-90 细胞的细胞毒性,改进后的模型被应用于 12,076,365 种化合物预测上。

化合物筛选

抗生素活性筛选:从 Mcule 数据库中筛选出抗生素预测得分超过 0.4 的 3,004 种化合物;从 Broad Institute 数据库中筛选出得分超过 0.2 的 7,306 种化合物。

人类细胞毒性筛选:

保留细胞毒性预测得分低于 0.2 的化合物,最终筛选出 3,646 种化合物(1,210 种来自Mcule 数据库,2,436 种来自 Broad Institute 数据库)——占所有评估化合物的 0.03%。

在这里插入图片描述

化合物筛选

a:计算机模拟过滤程序b-e:抗生素活性和 HepG2、HSkMC、IMR-90 细胞的细胞毒性预测

化学空间的可视化

以摩根指纹 (Morgan fingerprints) 为分子表示,采用 t 分布随机相邻嵌入 (t-SNE, t-distributed stochastic neighbour embedding) 方法对化学空间进行可视化。

如下图所示,t-SNE 的可视化揭示了 hits(通过筛选的化合物)和 non-hits(抗生素预测得分低的化合物)之间的明显差异。

在这里插入图片描述

对化合物的 t-SNE 分析

进一步筛选:识别两个有效化合物

在 3,646 个化合物中筛选出 2 个对金黄色葡萄球菌表现出高活性且对人类细胞具有良好选择性的化合物(1 号和 2 号),这两种化合物在各种测试条件下的表现、特别是在含血清的培养基中的生长抑制能力很优越,值得进一步研究。

这些化合物的研究表明,深度学习模型预测的结构类别可以有效地指导实验筛选,从而发现新的抗生素候选物。

筛选过程

化合物筛选:从最初的 3,646 个 hits 化合物中去除了含有可能反应活性、致突变或药代动力学不利的 PAINS 和 Brenk 警报的化合物,筛选至 2,209 个。

结构筛选:进一步筛选与训练集中化合物结构不同的化合物,使用最大 Tanimoto 相似性得分 ≤0.5 作为初步切断点,并排除含 β-内酰胺环或喹诺酮双环核心的化合物,最终得到 1,261 个化合物。

有效化合物的识别

生长抑制测试: 在 9 个与理性组 G1-G5 相关的 hits 化合物中,发现 4 个化合物 (44%) 对金黄色葡萄球菌 (S. aureus) 有活性,最小抑制浓度 (MIC) ≤32 μg/ml。

结构类别和有效性:这些有效化合物与理性组 G1、G2 和 G5 相关,其中 G2 组的两个化合物(1号和2号)被证实为活性。这两个化合物同时符合 Lipinski 的规则和 Ghose 标准,表明它们具有良好的口服生物利用度和药物样特性,值得进一步研究。

在这里插入图片描述

筛选出的两个化合物

进一步研究:两个化合物的特性

通过深入的机制研究和体内外实验,化合物 1 和 2 显示出作为新型抗生素候选物的潜力。它们不仅针对多重耐药菌株有效,而且具有较低的耐药性发展趋势和良好的安全性。

这些发现表明,这两种化合物可作为抗生素药物发展的有希望的化学系列。

作用机制和耐药性

共同结构: 化合物 1 和 2 共享 N-[2-(2-chlorophenoxy)ethyl]aniline core 这一结构,预测表明这可能是抗生素活性的基本结构。

生长抑制实验: 在对金黄色葡萄球菌和枯草杆菌的时间杀菌实验中,这两种化合物显示出了抗生素活性,与范科霉素类似但杀菌力较低。

耐药性研究: 在对抗生素耐药的金黄色葡萄球菌株进行的实验中,这两种化合物的最小抑制浓度 (MIC) 只略有增加,表明它们可能具有与常见抗生素不同的作用机制。

耐药性的发展: 经过 30 天的连续培养,这两种化合物的 MIC 几乎没有变化,显示出较低的耐药性发展趋势。

抗多重耐药菌效果

广泛抗性: 这两种化合物对包括万古霉素耐药性肠球菌在内的 40 种不同细菌种类表现出活性,其中 MIC 的中位数分别为 4 和 3 μg/ml。

对静止期细菌的有效性: 这两种化合物对枯草杆菌的静止期细胞也显示出活性。

毒理学、化学特性及功效

安全性研究: 这两种化合物在体外实验中表现出良好的安全性,包括非溶血性、不结合金属离子、无基因毒性、化学稳定性以及在小鼠体内的安全性。

体内功效实验: 在小鼠金黄色葡萄球菌皮肤感染和大腿感染模型中,化合物 1 表现出显著的抗菌活性。

在这里插入图片描述

化合物的体内疗效

深度学习:应对抗生素耐药性的利器

研究人员多年来一直在探索应对抗生素耐药性的有效、易推广的方法,在这一过程中,深度学习的出现为研究人员提供了新的解题思路,深度学习在应对抗生素耐药性方面的应用价值在于:

超越传统抗生素发现方法: 传统的抗生素发现方法往往依赖于已知的活性结构,这限制了新药发现的范围。深度学习方法可以识别与传统抗生素结构不同的新化合物,可能对当前耐药的菌株有效。

个性化和精准医疗: 深度学习可以用于分析特定病原体的遗传和表型特征,从而有助于开发针对特定病原体或感染类型的个性化抗生素。

道阻且长,行之将至。深度学习在药物研发中的应用仍处于相对早期阶段,可能会面临数据质量和可解释性等挑战,但作为人类对抗细菌的重要防线,相关研究意义重大,相信势必会在技术迭代的加持下持续向前。

参考文献:
https://www.nature.com/articles/s41586-023-06887-8

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/337695.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

SENet实现遥感影像场景分类

今天我们分享SENet实现遥感影像场景分类。 数据集 本次实验我们使用的是NWPU-RESISC45 Dataset。NWPU Dataset 是一个遥感影像数据集,其中 NWPU-RESISC45 Dataset 是由西北工业大学创建的遥感图像场景分类可用基准,该数据集包含像素大小为 256*256 共计 …

软件测试|Python urllib3库使用指南

简介 当涉及到进行网络请求和处理HTTP相关任务时,Python的urllib3库是一个强大且灵活的选择。它提供了一种简单的方式来执行HTTP请求、处理响应和处理连接池,使得与Web服务进行交互变得更加容易。本文将详细介绍如何使用urllib3库进行网络请求。 安装u…

11 个 Python全栈开发工具集

前言 以下是专注于全栈开发不同方面的 Python 库;有些专注于 Web 应用程序开发,有些专注于后端,而另一些则两者兼而有之。 1. Taipy Taipy 是一个开源的 Python 库,用于构建生产就绪的应用程序前端和后端。 它旨在加快应用程序开发&#xf…

电子学会C/C++编程等级考试2023年12月(一级)真题解析

C/C++编程(1~8级)全部真题・点这里 第1题:数的输入和输出 输入一个整数和双精度浮点数,先将浮点数保留2位小数输出,然后输出整数。 时间限制:1000 内存限制:65536 输入 一行两个数,分别为整数N(不超过整型范围),双精度浮点数F,以一个空格分开。 输出 一行两个数,分…

MyBatisPlus学习笔记一

1、简介 MyBatisPlus(简称MP)是一个MyBatis的增强工具,在MyBatisMyBatisMyBatis的的基础上只做增强不做改变,为简化开发,提高效率而生。 官网:MyBatis-Plus mybatisplus通过扫描实体类,并基于…

85.乐理基础-记号篇-力度记号

内容来源于:三分钟音乐社 上一个内容:78.乐理基础-非常见拍号如何打拍子-CSDN博客 85-78之间的内容观看索引: 腾讯课堂-三分钟音乐社-打拍子(20)-总结、重点、练习与检验方法开始看 力度记号:p、f、mp、…

NLP|LSTM+Attention文本分类

目录 一、Attention原理简介 二、LSTMAttention文本分类实战 1、数据读取及预处理 2、文本序列编码 3、LSTM文本分类 三、划重点 少走10年弯路 LSTM是一种特殊的循环神经网络(RNN),用于处理序列数据和时间序列数据的建模和预测。而在N…

Poi实现根据word模板导出-图表篇

往期系列传送门: Poi实现根据word模板导出-文本段落篇 (需要完整代码的直接看最后位置!!!) 前言: 补充Word中图表的知识: 每个图表在word中都有一个内置的Excel,用于…

20240107移远的4G模块EC20在Firefly的AIO-3399J开发板的Android11下调通能上网

20240107移远的4G模块EC20在Firefly的AIO-3399J开发板的Android11下调通能上网 2024/1/7 11:17 开发板:Firefly的AIO-3399J【RK3399】SDK:rk3399-android-11-r20211216.tar.xz【Android11】 Android11.0.tar.bz2.aa【ToyBrick】 Android11.0.tar.bz2.ab …

开启鸿蒙开发探索之旅ArkTS基本语法介绍(3)

上一章简单的介绍了鸿蒙HUAWEI DevEco Studio框架的搭建,这一章讲一下鸿蒙的主要开发一眼ArkTS的基本语法结构 1.ArkTS语法解释 ArkTS是HarmonyOS优选的主力应用开发语言。ArkTS围绕应用开发在TypeScript(简称TS)生态基础上做了进一步扩展&…

Android 通知简介

Android 通知简介 1. 基本通知 图1: 基本通知详情 小图标 : 必须提供,通过 setSmallIcon( ) 进行设置.应用名称 : 由系统提供.时间戳 : 由系统提供,也可隐藏时间.大图标(可选) : 可选内容(通常仅用于联系人照片,请勿将其用于应用图标),通过setLargeIcon( ) 进行设置.标题 : 可选…

念数字(C语言)

做法非常巧妙&#xff08;这也是我看别人的写法写的&#xff09; #include <string.h> #include <stdio.h> int main() { int i 0; char str[100000] { \0}; char arr[10][5] { "ling","yi","er","san",&…