Il modello di apprendimento automatico rivela nuove opportunità nella progettazione di farmaci

14 maggio 2024

Questo articolo è stato revisionato secondo il processo editoriale e le politiche di Science X. Gli editori hanno evidenziato i seguenti attributi garantendo l'affidabilità dei contenuti:

• verificato
• pubblicazione rivista da colleghi
• fonte affidabile
• corretto

dal Los Alamos National Laboratory

I patogeni non sono altro che adattabili, e la loro capacità di proteggersi dagli antibiotici rappresenta sempre più un problema di salute pubblica. Un team di ricercatori guidato dal Los Alamos National Laboratory ha utilizzato l'apprendimento automatico, un'applicazione dell'intelligenza artificiale, per identificare le proprietà molecolari che potrebbero guidare la scoperta di nuovi tipi di antibiotici, in particolare tra i patogeni considerati critici dall'Organizzazione Mondiale della Sanità a causa della loro alta resistenza batterica.

I risultati sono pubblicati sulla rivista Communications Chemistry.

'Alcuni patogeni hanno proprietà che li rendono molto efficaci nel resistere agli antibiotici,' ha detto Gnana Gnanakaran, scienziato a Los Alamos. 'La scoperta di composti specifici in grado di permeare e inibire alcuni patogeni è una sfida da cercare nel pagliaio a causa della vasta eterogeneità e profondità dello spazio chimico, e la complessità delle interazioni molecolari attraverso le membrane batteriche. L'approccio che adottiamo è in grado di sondare i profili molecolari specifici del batterio necessari che possono essere sviluppati per lo sviluppo di farmaci di successo.'

I batteri gram-negativi hanno una membrana esterna meno permeabile all'essere violata da composti, come quelli che costituiscono gli antibiotici, e i batteri possono anche espellere i composti che possono entrare, limitando l'efficacia di un antibiotico.

I modelli guidati dai dati hanno il potenziale per identificare le proprietà molecolari che potrebbero superare tali difese batteriche, ma i calcoli accurati per effettuare tali determinazioni sono impegnativi e utilizzano risorse di calcolo estensive. I composti chimicamente diversi possono contenere molte proprietà rilevanti; lo studio guidato dall'apprendimento automatico ha ridotto lo spettro rilevante di tali proprietà e ha stabilito regole empiriche che prevederebbero la capacità del composto di permeare la membrana esterna del batterio.

Concentrandosi in particolare sul batterio gram-negativo Pseudomonas aeruginosa, il team di ricerca ha sviluppato un modello di apprendimento automatico per identificare i descrittori rilevanti associati ai composti e prevedere il successo di tali composti nello permeare le membrane esterne dei batteri e nell'evitare l'espulsione. Il team si è affidato alle capacità di calcolo ad alte prestazioni di Los Alamos per estrarre le proprietà molecolari di permeazione da simulazioni che consideravano 1.260 composti chimicamente diversi mentre attraversano la membrana batterica.

La loro analisi getta nuova luce sulle proprietà chiave che i candidati farmaci devono avere per permeare efficacemente Pseudomonas aeruginosa e apre la strada a studi analoghi guidati dai dati in altri patogeni gram-negativi.

'Le tecniche di apprendimento automatico che abbiamo impiegato in questa analisi indicano un approccio promettente per studi simili basati sui dati in altre membrane biologiche, compresa la barriera emato-encefalica,' ha detto Gnanakaran.

Informazioni sulla rivista: Communications Chemistry

Fornito da Los Alamos National Laboratory