Autor: Add Zero

Herausgeber: Li Baozhu, Sanyang

Das MIT verwendet das Graph-Neural-Netzwerk Chemprop, um potenzielle Antibiotika zu identifizieren, die Acinetobacter baumannii gezielt abtöten.

Die Natur ist voll von verschiedenen Mikroorganismen wie Mycobacterium tuberculosis (Verursacher von Tuberkulose) und Vibrio cholerae (Verursacher von Cholera), die die Gesundheit der Menschen ernsthaft gefährden. Im Laufe der Menschheitsgeschichte gab es praktisch keine Möglichkeit, sich vor einer Infektion mit diesen pathogenen Bakterien zu schützen, außer sich auf das körpereigene Immunsystem zu verlassen. Erst im Jahr 1928 stand der Menschheit mit der Entdeckung des Penicillins erstmals eine wirksame Waffe zur Verfügung, um pathogene Bakterien zu besiegen.

Der weitverbreitete Einsatz von Antibiotika hat jedoch auch eine große Krise hervorgerufen: die Antibiotikaresistenz (AMR). Laut Statistiken der Weltgesundheitsorganisation (WHO) starben im Jahr 2019 weltweit etwa 1,2 Millionen Menschen an bakteriellen Infektionen, die durch Antibiotikaresistenzen (AMR) verschlimmert wurden. Das ist bereits mehr als die Zahl der durch AIDS verursachten Todesfälle. Der Missbrauch von Antibiotika hat zur Entstehung bestimmter „Superbakterien“ geführt, die im 21. Jahrhundert zu einer wichtigen Ursache klinischer Erkrankungen geworden sind. Um dieses Problem zu lösen, müssen dringend neue Antibiotika entwickelt werden.

Bei bestimmten Bakterien können Deep-Learning-Modelle die Genauigkeit von Vorhersagen zur Wirksamkeit und Sicherheit von Verbindungen verbessern und so den Zeit- und Ressourcenaufwand von Laborexperimenten und klinischen Studien effektiv reduzieren, was für die Entdeckung wirksamer und sicherer Antibiotika von entscheidender Bedeutung ist.

Zu diesem Zweck entwickelten Forscher vom MIT eine Deep-Learning-Methode zur Entdeckung von Antibiotika. Dabei nutzten sie das Graph-Neural-Network Chemprop, um potenzielle Antibiotika aus großen chemischen Bibliotheken zu identifizieren, und entdeckten eine neue Klasse von Antibiotika.Es gelang ihnen, gezielt ein wichtiges, medikamentenresistentes Bakterium, Acinetobacter baumannii, abzutöten. Die entsprechende Abhandlung wurde in Nature veröffentlicht.

Der Artikel wurde in Nature veröffentlicht

Papieradresse:
https://www.nature.com/articles/s41586-023-06887-8
Folgen Sie dem offiziellen Account und antworten Sie mit „Discover Antibiotics“, um das vollständige Dokument herunterzuladen.

Experimentelle Methode: Deep Learning mit Graph Neural Networks

Datensatz: Mehrere Verbindungen

Erstuntersuchung:Im Rahmen der Studie wurden zunächst 39.312 Verbindungen untersucht und ihre antibiotische Aktivität und ihre zytotoxischen Eigenschaften beim Menschen analysiert.

Erweiterte Prognose:Um den Vorhersageumfang weiter zu erweitern, wurden die Modelle an 12.076.365 Verbindungen getestet, von denen 11.277.225 aus der Mcule-Datenbank und 799.140 aus der Broad Institute-Datenbank stammten.

Molekulargewichtsverteilung von 39.312 Verbindungen

Algorithmentraining: Training mit Graph Neural Networks

Das Graph-Neural-Netzwerk Chemprop wurde verwendet, um die 39.312 gescreenten Verbindungen zu trainieren und ihre antibiotische Aktivität und Toxizität für menschliche Zellen vorherzusagen. Der Trainingsablauf ist wie folgt.

Das Molekül stellt dar:Mithilfe von RDKit wird aus der SMILES-Zeichenfolge (Simplified Molecular Input Line Entry Specification) jeder Verbindung eine graphenbasierte molekulare Darstellung generiert.
Generierung von Merkmalsvektoren:Generieren Sie Merkmalsvektoren für jedes Atom und jede Bindung, einschließlich atomarer Merkmale (wie Ordnungszahl, Anzahl der Bindungen, positive Ladung usw.) und Bindungsmerkmale (wie Bindungstyp, Konjugation, Ringmitgliedschaft usw.).
Informationsübermittlung:Implementieren Sie ein schlüsselbasiertes Convolutional Neural Network zur Nachrichtenübermittlung, aktualisieren Sie die Nachricht des Schlüssels, leiten Sie sie durch die Schichten des neuronalen Netzwerks und wenden Sie nichtlineare Aktivierungsfunktionen an.
Modellausgabe:Nach einer festgelegten Anzahl von Informationsübertragungsschritten fasst das Modell die Nachrichten des gesamten Moleküls zusammen und sagt über ein Feedforward-Neuralnetzwerk die Aktivität der Verbindung voraus, beispielsweise antibiotische Aktivität, Zytotoxizität oder Aktivität bei der Veränderung der Protonenmotorkraft.
Optimierungsmaßnahmen:Dazu gehört das Hinzufügen zusätzlicher Funktionen auf molekularer Ebene, die Auswahl der besten Leistungsparameter mithilfe der Hyperparameteroptimierung und die Verbesserung der Robustheit des Modells durch Ensemble-Lernen.

Modellarchitektur: Gewährleistung der Wirksamkeit und Sicherheit von Verbindungen

Antibiotika-Aktivitätsmodelle

Die Forscher sagten die antibiotische Aktivität von Verbindungen gegen Staphylococcus aureus (S. aureus) im Kulturmedium bei einer Verbindungskonzentration von 50 μM voraus und verwendeten dabei den normalisierten 80%-Grenzwert für Wachstumshemmung, um zwischen Aktivität und Inaktivität zu unterscheiden. Insgesamt wurden 10 Graph-Neuralnetzwerkmodelle auf demselben Trainingsdatensatz 80% – 20% trainiert, validiert und getestet.

Die Ergebnisse zeigen, dassDas Chemprop-Modell mit RDKit-Funktionen zeigte eine überlegene Vorhersagekraft und identifizierte 512 aktive Verbindungen aus 39.312 Verbindungen.

Vergleich von Deep-Learning-Modellen zur Vorhersage der Antibiotikaaktivität

Menschliche Zytotoxizitätsmodelle

Die Forscher verwendeten 39.312 Verbindungen, um sie auf Toxizität gegenüber menschlichen Hepatomzellen (HepG2), menschlichen primären Skelettmuskelzellen (HSkMCs) und menschlichen Lungenfibroblasten (IMR-90) zu untersuchen. Nach 2–3 Tagen Behandlung mit einer Konzentration von 10 μM jeder Verbindung wurde die Zelllebensfähigkeit beurteilt und die Aktivität der Verbindung mithilfe des 90%-Grenzwerts für die Zelllebensfähigkeit kategorisiert.

In ähnlicher Weise wurden 10 Chemprop-Modellsätze trainiert, validiert und getestet. Die Vergleichsergebnisse sind in der folgenden Abbildung dargestellt:

Vergleich von Deep-Learning-Modellen zur Vorhersage der menschlichen Zytotoxizität

Die Ergebnisse zeigten, dass 3.341 (8,5%), 1.490 (3,8%) und 3.447 (8,8%) der Verbindungen für HepG2-Zellen, HSkMCs bzw. IMR-90-Zellen toxisch waren. Von den 512 im vorherigen Schritt untersuchten aktiven antimikrobiellen Verbindungen waren 306 für diese drei Zelltypen nicht toxisch.

Zusammenfassend lässt sich sagen, dass dieses Modell zwar im Vergleich zum Antibiotika-Aktivitätsmodell gewisse Einschränkungen aufweist, es jedoch die Wirksamkeit des Arzneimittels und seine Unschädlichkeit für den menschlichen Körper ausbalanciert und damit das Potenzial der Verwendung fortschrittlicher rechnergestützter Methoden in der Arzneimittelforschung demonstriert.

Experimentelle Ergebnisse: Screening und Identifizierung von Antibiotika

Verfeinerung und Anwendung von Modellen im großen Maßstab: Screening und Visualisierung des gesamten chemischen Raums

Während dieser Forschungsphase lag der Schwerpunkt auf der Verfeinerung und Anwendung der Modelle, um potenzielle Antibiotikaverbindungen im riesigen chemischen Raum zu identifizieren und ihre Zytotoxizität zu bewerten. Die Forscher trainierten 20 Chemprop-Modelle neu, um die antibiotische Aktivität und Zytotoxizität von HepG2-, HSkMC- und IMR-90-Zellen vorherzusagen, und die verbesserten Modelle wurden auf die Vorhersage von 12.076.365 Verbindungen angewendet.

Verbindungsscreening

Screening der antibiotischen Aktivität: 3.004 Verbindungen mit Antibiotika-Vorhersagewerten über 0,4 wurden aus der Mcule-Datenbank gescreent; 7.306 Verbindungen mit Werten über 0,2 wurden aus der Datenbank des Broad Institute herausgefiltert.

Screening auf Toxizität menschlicher Zellen:

Verbindungen mit einem Zytotoxizitätsvorhersagewert unter 0,2 wurden zurückbehalten, sodass beim abschließenden Screening 3.646 Verbindungen (1.210 aus der Mcule-Datenbank und 2.436 aus der Broad Institute-Datenbank) ausgewählt wurden, was 0,031 TP3T aller bewerteten Verbindungen entspricht.

Verbindungsscreening

a: Computersimulationsfilterprogramm b: Vorhersage der antibiotischen Aktivität und Zytotoxizität von HepG2-, HSkMC- und IMR-90-Zellen

Visualisierung des chemischen Raums

Als molekulare Darstellungen wurden Morgan-Fingerabdrücke verwendet und zur Visualisierung des chemischen Raums wurde die Methode der t-verteilten stochastischen Nachbarschaftseinbettung (t-SNE) eingesetzt.

Wie in der folgenden Abbildung gezeigt, zeigt die t-SNE-Visualisierung einen deutlichen Unterschied zwischen Treffern (Verbindungen, die das Screening bestanden haben) und Nicht-Treffern (Verbindungen mit niedrigen Antibiotika-Vorhersagewerten).

t-SNE-Analyse von Verbindungen

Weiteres Screening: Identifizierung zweier potenter Verbindungen

Aus 3.646 Verbindungen wurden zwei Verbindungen (Nr. 1 und Nr. 2) herausgesucht, die eine hohe Aktivität gegen S. aureus und eine gute Selektivität gegen menschliche Zellen zeigten. Die Leistung dieser beiden Verbindungen unter verschiedenen Testbedingungen, insbesondere die Fähigkeit zur Wachstumshemmung in serumhaltigem Medium, war ausgezeichnet und bedarf weiterer Untersuchungen.

Die Untersuchung dieser Verbindungen hat gezeigt, dass die von Deep-Learning-Modellen vorhergesagten Strukturklassen ein wirksames Instrument für experimentelle Screenings zur Entdeckung neuer Antibiotikakandidaten sein können.

Screening-Prozess

Screening von Verbindungen: Verbindungen mit PAINS- und Brenk-Warnungen hinsichtlich möglicher Reaktivität, Mutagenität oder ungünstiger pharmakokinetischer Eigenschaften wurden aus dem anfänglichen Satz von 3.646 Treffern eliminiert, sodass ein Screening von 2.209 Verbindungen resultierte.

Strukturscreening: Verbindungen mit Strukturen, die sich von denen im Trainingsset unterschieden, wurden weiter gescreent, wobei ein maximaler Tanimoto-Ähnlichkeitswert ≤ 0,5 als vorläufiger Grenzwert verwendet wurde und Verbindungen ausgeschlossen wurden, die einen β-Lactamring oder einen bicyclischen Chinolonkern enthielten, was zu 1.261 Verbindungen führte.

Identifizierung wirksamer Verbindungen

Wachstumshemmungstest:Unter den neun Trefferverbindungen der rationalen Gruppen G1–G5 erwiesen sich vier Verbindungen (44%) als wirksam gegen Staphylococcus aureus (S. aureus) mit einer minimalen Hemmkonzentration (MIC) ≤ 32 μg/ml.

Strukturklassen und Wirksamkeit: Diese wirksamen Verbindungen wurden den rationalen Gruppen G1, G2 und G5 zugeordnet, wobei die Wirksamkeit von zwei Verbindungen (Nr. 1 und Nr. 2) aus Gruppe G2 bestätigt wurde. Beide Verbindungen erfüllten sowohl Lipinskis Regel als auch Ghoses Kriterien, was darauf hindeutet, dass sie eine gute orale Bioverfügbarkeit und arzneimittelähnliche Eigenschaften aufweisen und weitere Untersuchungen wert sind.

Die beiden gescreenten Verbindungen

Weitere Studie: Eigenschaften der beiden Verbindungen

Durch eingehende mechanistische Studien und In-vitro- und In-vivo-Experimente zeigten die Verbindungen 1 und 2 ihr Potenzial als neue Antibiotikakandidaten. Sie sind nicht nur wirksam gegen multiresistente Stämme, sondern weisen auch eine geringe Resistenzneigung und ein gutes Sicherheitsprofil auf.

Diese Erkenntnisse lassen darauf schließen, dass diese beiden Verbindungen als vielversprechende chemische Reihe für die Entwicklung von Antibiotika dienen könnten.

Wirkmechanismus und Arzneimittelresistenz

Gemeinsame Struktur:Die Verbindungen 1 und 2 haben die gleiche Kernstruktur wie N-[2-(2-Chlorphenoxy)ethyl]anilin, von der angenommen wird, dass sie die Grundstruktur für die antibiotische Aktivität ist.

Wachstumshemmungstest:In Time-Kill-Experimenten gegen Staphylococcus aureus und Bacillus subtilis zeigten diese beiden Verbindungen eine ähnliche antibiotische Aktivität wie Vancomycin, jedoch mit geringerer bakterizider Wirksamkeit.

Arzneimittelresistenzstudie:In Experimenten mit antibiotikaresistenten Stämmen von Staphylococcus aureus erhöhten die beiden Verbindungen deren minimale Hemmkonzentrationen (MICs) nur geringfügig, was darauf hindeutet, dass sie möglicherweise einen anderen Wirkungsmechanismus als herkömmliche Antibiotika haben.

Entwicklung von Arzneimittelresistenzen:Nach 30 Tagen kontinuierlicher Kultur zeigten die MICs dieser beiden Verbindungen nahezu keine Veränderungen, was auf eine geringe Tendenz zur Resistenzentwicklung hindeutet.

Wirkung gegen multiresistente Bakterien

Breiter Widerstand:Beide Verbindungen zeigten Wirksamkeit gegen 40 verschiedene Bakterienarten, darunter Vancomycin-resistente Enterokokken, mit mittleren MHK-Werten von 4 bzw. 3 μg/ml.

Wirksamkeit gegen ruhende Bakterien:Beide Verbindungen zeigten auch Aktivität gegen stationäre Zellen von Bacillus subtilis.

Toxikologie, chemische Eigenschaften und Wirksamkeit

Sicherheitsstudien:Beide Verbindungen zeigten in In-vitro-Experimenten eine gute Sicherheit, darunter keine Hämolyse, keine Bindung an Metallionen, keine Genotoxizität, chemische Stabilität und Sicherheit bei Mäusen.

Wirksamkeitsversuche in vivo:In Mausmodellen zur Haut- und Oberschenkelinfektion mit Staphylococcus aureus zeigte Verbindung 1 eine signifikante antibakterielle Aktivität.

In-vivo-Wirksamkeit von Verbindungen

Deep Learning: ein wirksames Instrument zur Bekämpfung von Antibiotikaresistenzen

Forscher erforschen seit vielen Jahren wirksame und leicht zu fördernde Methoden zur Bekämpfung der Antibiotikaresistenz. Dabei hat die Entstehung des Deep Learning den Forschern neue Ideen zur Problemlösung geliefert. Der Anwendungswert von Deep Learning im Kampf gegen Antibiotikaresistenzen liegt in:

Über traditionelle Ansätze zur Antibiotika-Entdeckung hinaus:Herkömmliche Methoden zur Entdeckung von Antibiotika basieren häufig auf bekannten aktiven Strukturen, was den Spielraum für die Entdeckung neuer Arzneimittel einschränkt. Mithilfe von Deep-Learning-Methoden können neue Verbindungen identifiziert werden, die sich strukturell von herkömmlichen Antibiotika unterscheiden und möglicherweise gegen derzeit resistente Stämme wirksam sind.

Personalisierte und Präzisionsmedizin:Mithilfe von Deep Learning können die genetischen und phänotypischen Merkmale bestimmter Krankheitserreger analysiert werden, wodurch die Entwicklung personalisierter Antibiotika für bestimmte Krankheitserreger oder Infektionsarten erleichtert wird.

Der Weg ist lang und schwierig, aber wenn Sie weitermachen, werden Sie Ihr Ziel erreichen. Die Anwendung von Deep Learning in der Arzneimittelentwicklung befindet sich noch in einem relativ frühen Stadium und kann mit Herausforderungen hinsichtlich der Datenqualität und Interpretierbarkeit konfrontiert sein. Da Bakterien jedoch eine wichtige Verteidigungslinie für den Menschen darstellen, ist die entsprechende Forschung von großer Bedeutung und ich bin davon überzeugt, dass sie mit der Unterstützung technologischer Iterationen auch weiterhin voranschreiten wird.

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