Model uczenia maszynowego odkrywa nowe możliwości projektowania leków

14 maja 2024 r.

Ten artykuł został przeglądany zgodnie z procesem redakcyjnym i polityką Science X. Redaktorzy zwrócili uwagę na następujące cechy, zapewniając wiarygodność treści:

• sprawdzone informacje
• publikacja recenzowana przez inne osoby
• zaufane źródło
• skorygowany

przez Narodowe Laboratorium Los Alamos

Drobnoustroje potrafią przystosować się do różnych warunków, a ich zdolność do ochrony przed antybiotykami stanowi coraz większe zagrożenie dla zdrowia publicznego. Zespół badawczy kierowany przez Narodowe Laboratorium Los Alamos wykorzystał uczenie maszynowe, jedną z odmian sztucznej inteligencji, aby zidentyfikować właściwości molekularne, które mogłyby przyczynić się do odkrycia nowych typów antybiotyków, szczególnie wśród patogenów uznanych przez Światową Organizację Zdrowia za krytyczne ze względu na ich wysoką oporność bakteryjną.

Wyniki badań zostały opublikowane w czasopiśmie Communications Chemistry.

'Niektóre drobnoustroje mają właściwości, które sprawiają, że są bardzo skuteczne w oporze przed antybiotykami,' powiedział Gnana Gnanakaran, naukowiec z Los Alamos. 'Odkrycie konkretnych związków mogących przeniknąć i hamować niektóre drobnoustroje stanowi wyzwanie porównywalne do szukania igły w stogu siana ze względu na olbrzymią heterogeniczność i głębię przestrzeni chemicznej oraz złożoność oddziaływań molekularnych na powierzchni błon bakteryjnych. Metoda, którą stosujemy, pozwala na badanie profilów molekularnych specyficznych dla poszczególnych bakterii, które mogą być wykorzystane w dalszym procesie opracowywania leków.'

Bakterie Gram-ujemne mają zewnętrzną błonę mniej przepuszczalną dla związków, takich jak te, które stanowią antybiotyki, a także potrafią usuwać związki, które przypadkiem dostaną się do środka, ograniczając skuteczność antybiotyku.

Modele oparte na danych mają potencjał do identyfikacji właściwości molekularnych, które mogą pokonać takie obronne mechanizmy bakterii, ale dokładne obliczenia niezbędne do podjęcia takich decyzji są trudne i wymagają dużych zasobów obliczeniowych. Związki o różnym składzie chemicznym mogą zawierać wiele istotnych właściwości; badanie oparte na uczeniu maszynowym zredukowało odpowiedni zakres tych właściwości i ustanowiło reguły empiryczne, które pozwoliłyby przewidzieć zdolność związku do przeniknięcia zewnętrznej błony bakterii.

Skupiając się konkretnie na bakteriach Gram-ujemnych Pseudomonas aeruginosa, zespół badawczy opracował model uczenia maszynowego, który pozwolił zidentyfikować istotne cechy związane z różnymi związkami i przewidzieć skuteczność przenikania tych związków przez zewnętrzną błonę bakterii oraz uniknięcie wydalenia. Drużyna korzystała z możliwości obliczeniowych wysokiej wydajności dostępnych w Los Alamos do ekstrakcji właściwości molekularnych przenikania z symulacji, które obejmowały 1260 różnorodnych związków chemicznych podczas ich przejścia przez błonę bakteryjną.

Ich analiza rzuca nowe światło na kluczowe właściwości, które powinny posiadać potencjalne leki, aby skutecznie przenikać przez Pseudomonas aeruginosa i otwiera drogę do podobnych badań opartych na danych w przypadku innych bakterii Gram-ujemnych.

'Techniki uczenia maszynowego, które zastosowaliśmy w tej analizie, wskazują na obiecujące podejście do podobnych badań opartych na danych w innych błonach biologicznych, takich jak bariera krew-mózg,' powiedział Gnanakaran.

Informacje o czasopiśmie: Communications Chemistry

Dostarczone przez Los Alamos National Laboratory