Machine learning model onthult nieuwe mogelijkheden voor het ontwerpen van medicijnen

14 mei 2024

Dit artikel is beoordeeld volgens het redactionele proces en beleid van Science X. Redacteuren hebben de volgende attributen uitgelicht bij het waarborgen van de geloofwaardigheid van de inhoud:

• gecontroleerde feiten
• beoordeeld door vakgenoten
• betrouwbare bron
• gecorrigeerd

door Los Alamos National Laboratory

Pathogenen zijn niets zo niet aanpasbaar, en hun vermogen om zichzelf tegen antibiotica te beschermen vormt steeds meer een bedreiging voor de volksgezondheid. Een onderzoeksteam onder leiding van Los Alamos National Laboratory heeft gebruik gemaakt van machine learning, een toepassing van kunstmatige intelligentie, om moleculaire eigenschappen te identificeren die de ontdekking van nieuwe soorten antibiotica zouden kunnen begeleiden, vooral bij pathogenen die door de Wereldgezondheidsorganisatie als kritiek worden beschouwd vanwege hun hoge bacteriële resistentie.

De bevindingen zijn gepubliceerd in het tijdschrift Communications Chemistry.

'Sommige pathogenen hebben eigenschappen die hen zeer effectief maken in het weerstaan van antibiotica,' zei Gnana Gnanakaran, wetenschapper bij Los Alamos. 'Het ontdekken van specifieke verbindingen die in staat zijn sommige ziekteverwekkers binnen te dringen en te remmen, is een uitdaging als zoeken naar een speld in een hooiberg vanwege de enorme heterogeniteit en diepte van de chemische ruimte, en de complexiteit van de moleculaire interacties over bacteriële membranen heen. De benadering die we toepassen is in staat om de bacteriespecifieke, moleculaire profielen te onderzoeken die nodig zijn om een succesvolle geneesmiddelenontwikkeling te bouwen.'

Gram-negatieve bacteriën hebben een buitenmembraan dat minder doorlaatbaar is voor penetratie door verbindingen, zoals die welke antibiotica vormen, en de bacteriën kunnen ook verbindingen die toevallig binnenkomen uitscheiden, waardoor de effectiviteit van een antibioticum wordt ingeperkt.

Gedreven door data hebben modellen het potentieel om moleculaire eigenschappen te identificeren die dergelijke bacteriële afweermechanismen kunnen overwinnen, maar nauwkeurige berekeningen om die determinaties te maken zijn uitdagend en gebruiken uitgebreide rekenbronnen. Chemisch uiteenlopende verbindingen kunnen veel relevante eigenschappen bevatten; de door machine learning aangedreven studie heeft het relevante spectrum van die eigenschappen gereduceerd en empirische regels vastgesteld die het vermogen van de verbinding om het buitenmembraan van de bacteriën binnen te dringen, zouden voorspellen.

Specifiek gericht op de gram-negatieve bacterie Pseudomonas aeruginosa, ontwikkelde het onderzoeksteam een machine learning model om de relevante beschrijvers te identificeren die geassocieerd zijn met verbindingen en om die verbindingen succes in het penetreren van de buitenste membranen van bacteriën en het vermijden van verdrijving te voorspellen. Het team vertrouwde op high-performance computing capaciteiten bij Los Alamos om de moleculaire eigenschappen van permeatie uit simulaties te halen, die 1.260 chemisch uiteenlopende verbindingen in overweging namen terwijl ze het bacteriële membraan doorkruisten.

Hun analyse werpt nieuw licht op de belangrijkste eigenschappen die medicijnkandidaten nodig hebben om Pseudomonas aeruginosa effectief te penetreren en opent de weg voor soortgelijke door data aangedreven studies in andere gram-negatieve pathogenen.

'De machine learning technieken die we in deze analyse hebben gebruikt, wijzen op een veelbelovende aanpak voor soortgelijke door data aangedreven studies in andere biologische membranen, inclusief de bloed-hersenbarrière,' zei Gnanakaran.

Tijdschrift informatie: Communications Chemistry

Verschaft door Los Alamos National Laboratory