Maschinelles Lernmodell entdeckt neue Möglichkeiten für Arzneimitteldesign

14. Mai 2024

Dieser Artikel wurde gemäß des redaktionellen Prozesses und den Richtlinien von Science X überprüft. Die Redakteure haben dabei die folgenden Merkmale hervorgehoben, um die Glaubwürdigkeit des Inhalts zu gewährleisten:

• überprüft auf Fakten
• begutachtete Veröffentlichung
• vertrauenswürdige Quelle
• gegengelesen

vom Los Alamos National Laboratory

Krankheitserreger sind, wenn nicht anderes, anpassungsfähig, und ihre Fähigkeit, sich gegen Antibiotika zu schützen, stellt zunehmend ein Problem für die öffentliche Gesundheit dar. Ein Forschungsteam unter Leitung des Los Alamos National Laboratory hat maschinelles Lernen, eine Anwendung der künstlichen Intelligenz, eingesetzt, um molekulare Eigenschaften zu identifizieren, die die Entdeckung neuer Arten von Antibiotika leiten könnten, insbesondere bei von der Weltgesundheitsorganisation als kritisch eingestuften Krankheitserregern aufgrund ihrer hohen bakteriellen Resistenz.

Die Ergebnisse wurden in der Zeitschrift Communications Chemistry veröffentlicht.

'Einige Krankheitserreger haben Eigenschaften, die sie sehr effektiv gegen Antibiotika resistent machen', sagte Gnana Gnanakaran, Wissenschaftler in Los Alamos. 'Die Entdeckung spezifischer Verbindungen, die einige Krankheitserreger durchdringen und hemmen können, ist eine Herausforderung wie die Suche nach der Nadel im Heuhaufen aufgrund der enormen Heterogenität und Tiefe des chemischen Raums und der Komplexität der molekularen Wechselwirkungen über bakterielle Membranen hinweg. Der Ansatz, den wir anwenden, ist in der Lage, die für eine erfolgreiche Arzneimittelentwicklung notwendigen bacteriumspezifischen, molekularen Profile zu untersuchen.'

Gramnegative Bakterien haben eine äußere Membran, die weniger durchlässig für Verbindungen ist, wie diejenigen, die Antibiotika bilden, und die Bakterien können auch Verbindungen ausscheiden, die zufällig hineingelangen, was die Wirksamkeit eines Antibiotikums einschränkt.

Datengetriebene Modelle haben das Potenzial, molekulare Eigenschaften zu identifizieren, die solche bakteriellen Abwehrmaßnahmen überwinden könnten, aber genaue Berechnungen, um diese Bestimmungen zu treffen, sind herausfordernd und erfordern umfangreiche Rechenressourcen. Chemisch diverse Verbindungen können viele relevante Eigenschaften enthalten; die auf maschinellem Lernen basierende Studie reduzierte das relevante Spektrum dieser Eigenschaften und etablierte empirische Regeln, die die Fähigkeit der Verbindung, die äußere Membran der Bakterien zu durchdringen, vorhersagen würden.

Das Forschungsteam konzentrierte sich insbesondere auf das gramnegative Bakterium Pseudomonas aeruginosa und entwickelte ein maschinelles Lernmodell, um die relevanten Deskriptoren in Verbindung mit Verbindungen zu identifizieren und den Erfolg dieser Verbindungen bei der Durchdringung der äußeren Membranen von Bakterien und der Vermeidung der Ausstoßung vorherzusagen. Das Team nutzte die Hochleistungsrechenfähigkeiten in Los Alamos, um die molekularen Eigenschaften der Permeation aus Simulationen zu extrahieren, die 1.260 chemisch verschiedene Verbindungen bei ihrer Passage durch die bakterielle Membran in Betracht zogen.

Ihre Analyse wirft ein neues Licht auf die Schlüsseleigenschaften, die Arzneimittelkandidaten benötigen, um Pseudomonas aeruginosa effektiv zu durchdringen, und ebnet den Weg für ähnliche datengesteuerte Studien bei anderen gramnegativen Krankheitserregern.

'Die maschinellen Lerntechniken, die wir in dieser Analyse eingesetzt haben, weisen auf einen vielversprechenden Ansatz für ähnliche datengesteuerte Studien in anderen biologischen Membranen hin, einschließlich der Blut-Hirn-Schranke', sagte Gnanakaran.

Zeitschrifteninformation: Communications Chemistry

Zur Verfügung gestellt von Los Alamos National Laboratory