Maskininlärningsmodell avslöjar nya möjligheter för läkemedelsdesign

14 maj 2024

Den här artikeln har granskats enligt Science X:s redaktionella process och policys. Redaktörer har lyft fram följande attribut samtidigt som de säkerställt innehållets trovärdighet:

• faktagranskad
• granskad av vetenskapliga kollegor
• pålitlig källa
• korrekturläst

av Los Alamos National Laboratory

Sjukdomsalstrande mikroorganismer är om inte annat anpassningsbara, och deras förmåga att skydda sig mot antibiotika utgör i stigande grad en folkhälsorisk. Ett forskningsteam ledda av Los Alamos National Laboratory har använt maskininlärning, en applikation för artificiell intelligens, för att identifiera molekylära egenskaper som kan vägleda upptäckten av nya typer av antibiotika, särskilt bland organismer som betraktas kritiska av Världshälsoorganisationen på grund av deras höga bakterieresistens.

Resultaten är publicerade i tidskriften Communications Chemistry.

'Vissa patogener har egenskaper som gör dem mycket effektiva för att motstå antibiotika', säger Gnana Gnanakaran, forskare vid Los Alamos. 'Upptäckten av specifika föreningar som kan tränga igenom och hämma vissa patogener är en utmaning som en nål i en höstack på grund av den enorma heterogenitet och djupet i den kemiska rymden och komplexiteten i de molekylära interaktionerna över bakteriella membran. Den metod vi använder kan testa sådana bakteriespecifika, molekylnivåprofiler som kan byggas vidare för framgångsrik läkemedelsutveckling.'

Gram-negativa bakterier har ett yttre membran mindre permeabelt för att bli angripna av föreningar, som de som utgör antibiotika, och bakterierna kan också utvisa föreningar som lyckas ta sig in, vilket minskar effektiviteten av ett antibiotikum.

Datastyrda modeller har potential att identifiera molekylära egenskaper som kan övervinna sådana bakteriella försvar, men exakta beräkningar för att göra dessa bestämningar är utmanande och använder omfattande datakraft. Kemiskt olika föreningar kan innehålla många relevanta egenskaper; studien som drivs av maskinlärande minskade det relevanta spektret av dessa egenskaper och etablerade empiriska regler som skulle förutse föreningens förmåga att tränga igenom bakteriens yttre membran.

Med specifikt fokus på de gram-negativa bakterierna Pseudomonas aeruginosa utvecklade forskarteamet en maskininlärningsmodell för att identifiera de relevanta beskrivningarna som är associerade med föreningar och förutsäga dessa föreningars framgång i att tränga igenom bakteriens yttre membran och för att undvika utvisningen. Teamet förlitade sig på högpresterande datakraft vid Los Alamos för att utvinna de molekylära egenskaperna hos permeation från simuleringar som beaktade 1 260 kemiskt olika föreningar när de passerar bakteriemembranet.

Deras analys ger en ny insikt i de nyckeleffekter som potentiella läkemedelskandidater behöver för att framgångsrikt kunna tränga igenom Pseudomonas aeruginosa, och öppnar grindarna för liknande datastyrda studier i andra gram-negativa patogener.

'De maskininlärningstekniker vi har använt i denna analys pekar på en lovande metod för liknande datastyrda studier i andra biologiska membran, inklusive blod-hjärnbarriären', sade Gnanakaran.

Journalinformation: Communications Chemistry

Tillhandahålls av Los Alamos National Laboratory