المؤلف: أضف صفرًا

المحرر: لي باوزو، سانيانغ

يستخدم معهد ماساتشوستس للتكنولوجيا شبكة Chemprop العصبية الرسومية لتحديد المضادات الحيوية المحتملة التي تقتل على وجه التحديد بكتيريا Acinetobacter baumannii.

تحتوي الطبيعة على العديد من الكائنات الحية الدقيقة، مثل المتفطرة السلية (المسببة لمرض السل) وضمة الكوليرا (المسببة للكوليرا)، والتي تشكل خطراً جدياً على صحة الإنسان. طوال تاريخ البشرية، لم تكن هناك طريقة تقريبًا للحماية من الإصابة بهذه البكتيريا المسببة للأمراض إلا بالاعتماد على جهاز المناعة في الجسم. ولم يكن اكتشاف البنسلين إلا في عام 1928، مما أعطى البشر سلاحًا قويًا لهزيمة البكتيريا المسببة للأمراض لأول مرة.

ومع ذلك، فإن الاستخدام الواسع النطاق للمضادات الحيوية أدى أيضًا إلى أزمة ضخمة - مقاومة المضادات الحيوية (AMR). وبحسب إحصاءات منظمة الصحة العالمية، توفي نحو 1.2 مليون شخص في جميع أنحاء العالم في عام 2019 بسبب العدوى البكتيرية التي تفاقمت بسبب مقاومة المضادات الحيوية، وهو عدد أعلى بالفعل من عدد الوفيات الناجمة عن الإيدز. لقد أدى سوء استخدام المضادات الحيوية إلى ظهور بعض "البكتيريا الخارقة"، والتي أصبحت سبباً مهماً للأمراض السريرية في القرن الحادي والعشرين. ولحل هذه المشكلة، من الضروري تطوير مضادات حيوية جديدة.

بالنسبة للبكتيريا المحددة، يمكن لنماذج التعلم العميق تحسين دقة التنبؤات بشأن فعالية وسلامة المركبات، مما يقلل بشكل فعال من استهلاك الوقت والموارد في التجارب المعملية والتجارب السريرية، وهو أمر بالغ الأهمية لاكتشاف المضادات الحيوية الفعالة والآمنة.

ولتحقيق هذه الغاية، طور باحثون من معهد ماساتشوستس للتكنولوجيا أسلوب تعلم عميق لاكتشاف المضادات الحيوية، باستخدام شبكة Chemprop العصبية الرسومية لتحديد المضادات الحيوية المحتملة من المكتبات الكيميائية الكبيرة، واكتشفوا فئة جديدة من المضادات الحيوية.وتمكنوا من القضاء بشكل خاص على بكتيريا مقاومة للأدوية مهمة، وهي Acinetobacter baumannii، وتم نشر البحث ذي الصلة في مجلة Nature.

وقد تم نشر الورقة في مجلة Nature

عنوان الورقة:
https://www.nature.com/articles/s41586-023-06887-8
اتبع الحساب الرسمي ورد "اكتشف المضادات الحيوية" لتحميل الورقة كاملة

الطريقة التجريبية: التعلم العميق باستخدام الشبكات العصبية البيانية

مجموعة البيانات: مركبات متعددة

الفحص الأولي:شملت الدراسة في البداية فحص 39,312 مركبًا وتحليل نشاطها كمضاد حيوي وخصائصها السمية للإنسان.

التوقعات الموسعة:ولتوسيع نطاق التنبؤ بشكل أكبر، تم اختبار النماذج على 12،076،365 مركبًا، منها 11،277،225 من قاعدة بيانات Mcule و799،140 من قاعدة بيانات معهد Broad.

توزيع الوزن الجزيئي لـ 39,312 مركبًا

تدريب الخوارزميات: التدريب باستخدام الشبكات العصبية البيانية

تم استخدام الشبكة العصبية البيانية Chemprop لتدريب 39,312 مركبًا تم فحصها للتنبؤ بنشاطها المضاد للبكتيريا وسمية الخلايا البشرية. تتم عملية التدريب على النحو التالي.

يمثل الجزيء:يتم إنشاء تمثيل جزيئي قائم على الرسم البياني من سلسلة SMILES (مواصفات إدخال خط الإدخال الجزيئي المبسط) لكل مركب باستخدام RDKit.
توليد متجه الميزة:إنشاء متجهات مميزة لكل ذرة ورابطة، بما في ذلك السمات الذرية (مثل العدد الذري، وعدد الروابط، والشحنة الموجبة، وما إلى ذلك) وسمات الرابطة (مثل نوع الرابطة، والاقتران، وعضوية الحلقة، وما إلى ذلك).
نقل المعلومات:تنفيذ شبكة عصبية ملتوية لتمرير الرسائل تعتمد على المفتاح، وتحديث رسالة المفتاح، وتمريرها عبر طبقات الشبكة العصبية وتطبيق وظائف التنشيط غير الخطية.
مخرجات النموذج:بعد عدد ثابت من خطوات نقل المعلومات، يلخص النموذج رسائل الجزيء بأكمله ويتنبأ بنشاط المركب، مثل نشاط المضاد الحيوي، أو السمية الخلوية، أو النشاط في تغيير القوة الدافعة للبروتون، من خلال شبكة عصبية تغذية أمامية.
إجراءات التحسين:يتضمن ذلك إضافة ميزات إضافية على المستوى الجزيئي، واختيار أفضل معلمات الأداء باستخدام تحسين المعلمات الفائقة، وتعزيز قوة النموذج من خلال التعلم الجماعي.

هندسة النموذج: ضمان فعالية وسلامة المركبات

نماذج نشاط المضادات الحيوية

قام الباحثون بتوقع النشاط المضاد للبكتيريا للمركبات ضد المكورات العنقودية الذهبية (S. aureus) في وسط الثقافة عند تركيز مركب يبلغ 50 ميكرومولار، باستخدام نقطة قطع تثبيط النمو الطبيعية 80% للتمييز بين النشاط وعدم النشاط. تم تدريب إجمالي 10 نماذج لشبكات عصبية بيانية، وتم التحقق من صحتها واختبارها على نفس مجموعة بيانات التدريب 80% – 20%.

وتظهر النتائج أنوأظهر نموذج Chemprop مع ميزات RDKit قدرة تنبؤية متفوقة، حيث تم تحديد 512 مركبًا نشطًا من أصل 39312 مركبًا.

مقارنة نماذج التعلم العميق للتنبؤ بنشاط المضادات الحيوية

نماذج السمية الخلوية البشرية

استخدم الباحثون 39,312 مركبًا لفحص السمية ضد خلايا الورم الكبدي البشري (HepG2)، وخلايا العضلات الهيكلية الأولية البشرية (HSkMCs)، وخلايا الرئة البشرية الليفية (IMR-90). بعد 2-3 أيام من العلاج بتركيز 10 ميكرومولار من كل مركب، تم تقييم قابلية الخلايا للبقاء على قيد الحياة وتم تصنيف نشاط المركب باستخدام حد قابلية الخلايا للبقاء على قيد الحياة 90%.

وبالمثل، تم تدريب 10 مجموعات من نماذج Chemprop، وتم التحقق من صحتها واختبارها. وتظهر نتائج المقارنة في الشكل التالي:

مقارنة نماذج التعلم العميق للتنبؤ بالسمية الخلوية البشرية

وأظهرت النتائج أن 3,341 (8.5%)، و1,490 (3.8%)، و3,447 (8.8%) من المركبات كانت سامة لخلايا HepG2، وخلايا HSkMCs، وخلايا IMR-90، على التوالي. ومن بين 512 مركبًا مضادًا للميكروبات نشطًا تم فحصها في الخطوة السابقة، كان 306 منها غير سامة لهذه الأنواع الثلاثة من الخلايا.

باختصار، على الرغم من أن هذا النموذج له بعض القيود مقارنة بنموذج نشاط المضادات الحيوية، إلا أنه يوازن بين فعالية الدواء وعدم ضرره على جسم الإنسان، مما يدل على إمكانات استخدام الأساليب الحسابية المتقدمة في اكتشاف الأدوية.

النتائج التجريبية: فحص وتحديد المضادات الحيوية

تحسين النماذج وتطبيقها على نطاق واسع: فحص وتصور المساحة الكيميائية بأكملها

خلال مرحلة البحث هذه، كان التركيز على تحسين النماذج وتطبيقها لتحديد المركبات المضادة الحيوية المحتملة في الفضاء الكيميائي الواسع وتقييم سميتها الخلوية. قام الباحثون بإعادة تدريب 20 نموذجًا من Chemprop للتنبؤ بنشاط المضادات الحيوية والسمية الخلوية لخلايا HepG2 وHSkMC وIMR-90، وتم تطبيق النماذج المحسنة للتنبؤ بـ 12،076،365 مركبًا.

فحص المركبات

فحص نشاط المضادات الحيوية: تم فحص 3004 مركبًا بدرجات تنبؤ بالمضادات الحيوية تتجاوز 0.4 من قاعدة بيانات Mcule؛ تم فحص 7,306 مركبًا بدرجات تتجاوز 0.2 من قاعدة بيانات معهد برود.

فحص سمية الخلايا البشرية:

تم الاحتفاظ بالمركبات التي كانت درجة التنبؤ بالسمية الخلوية لها أقل من 0.2، مما أدى إلى الفحص النهائي لـ 3646 مركبًا (1210 من قاعدة بيانات Mcule و 2436 من قاعدة بيانات معهد Broad) - وهو ما يمثل 0.03% من جميع المركبات التي تم تقييمها.

فحص المركبات

أ: برنامج تصفية المحاكاة الحاسوبية ب: نشاط المضادات الحيوية والتنبؤ بالسمية الخلوية لخلايا HepG2 وHSkMC وIMR-90

تصور الفضاء الكيميائي

تم استخدام بصمات مورغان كتمثيلات جزيئية، وتم استخدام طريقة تضمين الجار العشوائي الموزع t (t-SNE) لتوضيح الفضاء الكيميائي.

كما هو موضح في الشكل أدناه، يكشف التصور t-SNE عن فرق واضح بين النتائج (المركبات التي اجتازت الفحص) وغير النتائج (المركبات ذات درجات التنبؤ بالمضادات الحيوية المنخفضة).

تحليل t-SNE للمركبات

فحص إضافي: تحديد مركبين قويين

تم فحص مركبين (رقم 1 ورقم 2) من بين 3646 مركبًا، حيث أظهرا نشاطًا عاليًا ضد المكورات العنقودية الذهبية وانتقائية جيدة ضد الخلايا البشرية. كان أداء هذين المركبين تحت ظروف الاختبار المختلفة، وخاصة القدرة على تثبيط النمو في الوسط المحتوي على المصل، ممتازًا ويستحق المزيد من الدراسة.

وأظهرت دراسة هذه المركبات أن الفئات البنيوية التي تتنبأ بها نماذج التعلم العميق يمكن أن توجه بشكل فعال الفحص التجريبي لاكتشاف مرشحين جدد للمضادات الحيوية.

عملية الفحص

فحص المركبات: تم استبعاد المركبات التي تحتوي على تنبيهات PAINS وBrenk للتفاعلية المحتملة أو الطفرات أو الخصائص الدوائية الحركية غير المواتية من المجموعة الأولية المكونة من 3646 نتيجة، مما أدى إلى فحص 2209 مركب.

الفحص البنيوي: تم فحص المركبات ذات الهياكل المختلفة عن تلك الموجودة في مجموعة التدريب بشكل أكبر، باستخدام الحد الأقصى لدرجة تشابه تانيموتو ≤ 0.5 كقيمة أولية واستبعاد المركبات التي تحتوي على حلقة β-lactam أو نواة ثنائية الحلقة من الكينولون، مما أدى إلى 1261 مركبًا.

تحديد المركبات الفعالة

اختبار تثبيط النمو:ومن بين المركبات التسعة ذات الصلة بالمجموعات العقلانية G1-G5، وجد أن أربعة مركبات (44%) فعالة ضد المكورات العنقودية الذهبية (S. aureus) مع تركيز مثبط أدنى (MIC) ≤32 ميكروجرام/مل.

الفئات البنيوية والفعالية: كانت هذه المركبات القوية مرتبطة بالمجموعات المنطقية G1 وG2 وG5، ومن بينها مركبان (رقم 1 ورقم 2) من المجموعة G2 تم التأكد من أنهما فعالان. وقد استوفت المركبتان كل من قاعدة ليبينسكي ومعايير جوس، مما يشير إلى أنهما تتمتعان بتوافر حيوي فموي جيد وخصائص تشبه الأدوية وتستحقان المزيد من البحث.

تم فحص المركبين

دراسة إضافية: خصائص المركبين

ومن خلال الدراسات الميكانيكية المتعمقة والتجارب التي أجريت في المختبر وفي الجسم الحي، أظهرت المركبات 1 و2 إمكاناتها كمرشحين جدد للمضادات الحيوية. إنها ليست فعالة ضد السلالات المقاومة للأدوية المتعددة فحسب، بل لديها أيضًا ميل منخفض لتطوير المقاومة ومستوى أمان جيد.

وتشير هذه النتائج إلى أن هذين المركبين يمكن أن يكونا بمثابة سلسلة كيميائية واعدة لتطوير الأدوية المضادة للمضادات الحيوية.

آلية العمل ومقاومة الأدوية

البنية المشتركة:تتشارك المركبات 1 و2 في بنية اللب N-[2-(2-كلوروفينوكسي)إيثيل] أنيلين، والتي من المتوقع أن تكون البنية الأساسية لنشاط المضادات الحيوية.

اختبار تثبيط النمو:وفي التجارب التي أجريت على المكورات العنقودية الذهبية والعصوية الرقيقة، أظهر المركبان نشاطًا مضادًا حيويًا مشابهًا لنشاط الفانكومايسين ولكن بقوة قتل للبكتيريا أقل.

دراسة مقاومة الأدوية:وفي التجارب التي أجريت على سلالات المكورات العنقودية الذهبية المقاومة للمضادات الحيوية، لم تزيد المركبتان إلا قليلاً من تركيزاتهما المثبطة الدنيا (MICs)، مما يشير إلى أنهما قد يكون لهما آلية عمل مختلفة عن المضادات الحيوية الشائعة.

تطور مقاومة الأدوية:بعد 30 يومًا من الثقافة المستمرة، لم تظهر MICs لهذين المركبين أي تغييرات تقريبًا، مما يدل على اتجاه منخفض لتطور المقاومة.

التأثير ضد البكتيريا المقاومة للأدوية المتعددة

مقاومة واسعة النطاق:أظهر كلا المركبين نشاطًا ضد 40 نوعًا مختلفًا من البكتيريا، بما في ذلك المكورات المعوية المقاومة للفانكومايسين، مع متوسط MIC يبلغ 4 و3 ميكروجرام/مل، على التوالي.

الفعالية ضد البكتيريا الخاملة:وأظهر كلا المركبين أيضًا نشاطًا ضد الخلايا الثابتة لـ Bacillus subtilis.

علم السموم والكيمياء والفعالية

دراسات السلامة:أظهر كلا المركبين سلامة جيدة في التجارب المختبرية، بما في ذلك عدم التحلل الدموي، وعدم الارتباط بأيونات المعادن، وعدم السمية الجينية، والاستقرار الكيميائي، والسلامة في الفئران.

تجارب الفعالية في الجسم الحي:في نماذج عدوى الجلد والفخذ لبكتيريا المكورات العنقودية الذهبية لدى الفئران، أظهر المركب 1 نشاطًا مضادًا للبكتيريا بشكل كبير.

فعالية المركبات في الجسم الحي

التعلم العميق: أداة قوية لمكافحة مقاومة المضادات الحيوية

لقد عمل الباحثون لسنوات عديدة على استكشاف طرق فعالة وسهلة الترويج لمكافحة مقاومة المضادات الحيوية. وفي هذه العملية، وفّر ظهور التعلم العميق للباحثين أفكارًا جديدة لحل المشكلات. تكمن قيمة تطبيق التعلم العميق في مكافحة مقاومة المضادات الحيوية في:

ما وراء طرق اكتشاف المضادات الحيوية التقليدية:غالبًا ما تعتمد طرق اكتشاف المضادات الحيوية التقليدية على هياكل نشطة معروفة، مما يحد من نطاق اكتشاف الأدوية الجديدة. يمكن لطرق التعلم العميق تحديد مركبات جديدة تختلف هيكليًا عن المضادات الحيوية التقليدية وقد تكون فعالة ضد السلالات المقاومة حاليًا.

الطب الشخصي والدقيق:يمكن استخدام التعلم العميق لتحليل الخصائص الجينية والظاهرية لمسببات الأمراض المحددة، وبالتالي تسهيل تطوير المضادات الحيوية المخصصة لمسببات الأمراض المحددة أو أنواع العدوى.

الطريق طويل وصعب، ولكن إذا واصلت المسير فسوف تصل إلى وجهتك. لا يزال تطبيق التعلم العميق في تطوير الأدوية في مرحلة مبكرة نسبيًا وقد يواجه تحديات مثل جودة البيانات وإمكانية تفسيرها. ومع ذلك، وباعتبارها خط دفاع مهم للبشر ضد البكتيريا، فإن الأبحاث ذات الصلة لها أهمية كبيرة، وأعتقد أنها ستستمر في المضي قدمًا بدعم من التكرارات التكنولوجية.

مراجع:
https://www.nature.com/articles/s41586-023-06887-8