Auteur : Add Zero

Rédacteur en chef : Li Baozhu, Sanyang

Le MIT utilise le réseau neuronal graphique Chemprop pour identifier les antibiotiques potentiels qui tuent spécifiquement Acinetobacter baumannii.

La nature regorge de divers micro-organismes, tels que Mycobacterium tuberculosis (à l’origine de la tuberculose) et Vibrio cholerae (à l’origine du choléra), qui mettent gravement en danger la santé humaine. Tout au long de l’histoire de l’humanité, il n’existait pratiquement aucun moyen de se protéger contre l’infection par ces bactéries pathogènes, si ce n’est en s’appuyant sur le système immunitaire de l’organisme. Ce n’est qu’en 1928 que la découverte de la pénicilline a donné aux humains une arme puissante pour vaincre les bactéries pathogènes pour la première fois.

Cependant, l’utilisation généralisée des antibiotiques a également provoqué une crise majeure : la résistance aux antibiotiques (RAM). Selon les statistiques de l’Organisation mondiale de la santé (OMS), environ 1,2 million de personnes sont mortes dans le monde en 2019 d’infections bactériennes aggravées par la résistance aux antibiotiques (RAM), ce qui est déjà plus élevé que le nombre de décès causés par le sida. L’utilisation abusive des antibiotiques a conduit à l’émergence de certaines « super bactéries », qui sont devenues une cause importante de maladies cliniques au 21e siècle. Pour résoudre ce problème, il est urgent de développer de nouveaux antibiotiques.

Pour des bactéries spécifiques, les modèles d’apprentissage profond peuvent améliorer la précision des prédictions sur l’efficacité et la sécurité des composés, réduisant ainsi efficacement la consommation de temps et de ressources des expériences en laboratoire et des essais cliniques, ce qui est crucial pour la découverte d’antibiotiques efficaces et sûrs.

À cette fin, des chercheurs du MIT ont développé une méthode d’apprentissage profond pour découvrir des antibiotiques, en utilisant le réseau neuronal graphique Chemprop pour identifier des antibiotiques potentiels à partir de grandes bibliothèques chimiques et ont découvert une nouvelle classe d’antibiotiques.Ils ont réussi à tuer spécifiquement une importante bactérie résistante aux médicaments, Acinetobacter baumannii, et l'article correspondant a été publié dans Nature.

L'article a été publié dans Nature

Adresse du document :
https://www.nature.com/articles/s41586-023-06887-8
Suivez le compte officiel et répondez « Découvrez les antibiotiques » pour télécharger l'article complet.

Méthode expérimentale : apprentissage profond avec réseaux de neurones graphes

Ensemble de données : Plusieurs composés

Dépistage initial :L’étude a initialement examiné 39 312 composés et analysé leur activité antibiotique et leurs caractéristiques de cytotoxicité humaine.

Prévisions élargies :Pour élargir davantage la portée des prédictions, les modèles ont été testés sur 12 076 365 composés, dont 11 277 225 provenaient de la base de données Mcule et 799 140 de la base de données du Broad Institute.

Distribution du poids moléculaire de 39 312 composés

Entraînement d'algorithmes : Entraînement avec des réseaux de neurones graphiques

Le réseau neuronal graphique Chemprop a été utilisé pour former les 39 312 composés sélectionnés afin de prédire leur activité antibiotique et leur toxicité sur les cellules humaines. Le processus de formation est le suivant.

La molécule représente :Une représentation moléculaire basée sur un graphique est générée à partir de la chaîne SMILES (Simplified Molecular Input Line Entry Specification) de chaque composé à l'aide de RDKit.
Génération de vecteurs de caractéristiques :Générez des vecteurs de caractéristiques pour chaque atome et liaison, y compris les caractéristiques atomiques (telles que le numéro atomique, le nombre de liaisons, la charge positive, etc.) et les caractéristiques de liaison (telles que le type de liaison, la conjugaison, l'appartenance au cycle, etc.).
Transmission d'informations :Implémentez un réseau neuronal convolutif de transmission de messages basé sur des clés, mettez à jour le message de la clé, transmettez-le à travers les couches du réseau neuronal et appliquez des fonctions d'activation non linéaires.
Sortie du modèle :Après un nombre fixe d'étapes de transfert d'informations, le modèle résume les messages de la molécule entière et prédit l'activité du composé, comme l'activité antibiotique, la cytotoxicité ou l'activité de modification de la force motrice du proton, via un réseau neuronal à propagation directe.
Mesures d’optimisation :Cela comprend l’ajout de fonctionnalités supplémentaires au niveau moléculaire, la sélection des meilleurs paramètres de performance à l’aide de l’optimisation des hyperparamètres et l’amélioration de la robustesse du modèle grâce à l’apprentissage d’ensemble.

Architecture du modèle : garantir l'efficacité et la sécurité des composés

Modèles d'activité des antibiotiques

Les chercheurs ont prédit l'activité antibiotique des composés contre Staphylococcus aureus (S. aureus) dans un milieu de culture à une concentration de composé de 50 μM, en utilisant le seuil d'inhibition de la croissance normalisée 80% pour distinguer l'activité de l'inactivité. Au total, 10 modèles de réseaux neuronaux graphiques ont été formés, validés et testés sur le même ensemble de données de formation 80% – 20%.

Les résultats montrent queLe modèle Chemprop avec les fonctionnalités RDKit a montré une capacité prédictive supérieure, identifiant 512 composés actifs sur 39 312 composés.

Comparaison de modèles d'apprentissage profond pour prédire l'activité des antibiotiques

Modèles de cytotoxicité humaine

Les chercheurs ont utilisé 39 312 composés pour rechercher la toxicité contre les cellules d’hépatome humain (HepG2), les cellules musculaires squelettiques primaires humaines (HSkMC) et les fibroblastes pulmonaires humains (IMR-90). Après 2 à 3 jours de traitement avec une concentration de 10 μM de chaque composé, la viabilité cellulaire a été évaluée et l'activité du composé a été catégorisée à l'aide du seuil de viabilité cellulaire 90%.

De même, 10 ensembles de modèles Chemprop ont été formés, validés et testés, et les résultats de comparaison sont présentés dans la figure suivante :

Comparaison de modèles d'apprentissage profond pour prédire la cytotoxicité humaine

Les résultats ont montré que 3 341 (8,5%), 1 490 (3,8%) et 3 447 (8,8%) des composés étaient toxiques pour les cellules HepG2, les HSkMC et les cellules IMR-90, respectivement. Parmi les 512 composés antimicrobiens actifs examinés à l’étape précédente, 306 n’étaient pas toxiques pour ces trois types de cellules.

En résumé, bien que ce modèle présente certaines limites par rapport au modèle d’activité antibiotique, il équilibre l’efficacité du médicament et son innocuité pour le corps humain, démontrant le potentiel de l’utilisation de méthodes informatiques avancées dans la découverte de médicaments.

Résultats expérimentaux : Criblage et identification des antibiotiques

Affiner et appliquer des modèles à grande échelle : criblage et visualisation de l'ensemble de l'espace chimique

Au cours de cette phase de recherche, l’accent a été mis sur le perfectionnement et l’application des modèles pour identifier les composés antibiotiques potentiels dans le vaste espace chimique et pour évaluer leur cytotoxicité. Les chercheurs ont recyclé 20 modèles Chemprop pour prédire l'activité antibiotique et la cytotoxicité des cellules HepG2, HSkMC et IMR-90, et les modèles améliorés ont été appliqués à la prédiction de 12 076 365 composés.

Criblage des composés

Dépistage de l'activité antibiotique : 3 004 composés avec des scores de prédiction d'antibiotiques supérieurs à 0,4 ont été examinés à partir de la base de données Mcule ; 7 306 composés avec des scores supérieurs à 0,2 ont été examinés à partir de la base de données du Broad Institute.

Dépistage de la toxicité des cellules humaines :

Les composés avec un score de prédiction de cytotoxicité inférieur à 0,2 ont été retenus, ce qui a donné lieu au criblage final de 3 646 composés (1 210 de la base de données Mcule et 2 436 de la base de données du Broad Institute), soit 0,031 TP3T de tous les composés évalués.

Criblage des composés

a : Programme de filtrage de simulation informatique b : Prédiction de l'activité antibiotique et de la cytotoxicité des cellules HepG2, HSkMC et IMR-90

Visualisation de l'espace chimique

Les empreintes digitales de Morgan ont été utilisées comme représentations moléculaires et la méthode d'intégration stochastique des voisins distribués en t (t-SNE) a été utilisée pour visualiser l'espace chimique.

Comme le montre la figure ci-dessous, la visualisation t-SNE révèle une nette différence entre les hits (composés qui ont réussi le dépistage) et les non-hits (composés avec de faibles scores de prédiction d'antibiotiques).

Analyse t-SNE des composés

Criblage supplémentaire : identification de deux composés puissants

Deux composés (n° 1 et n° 2) ont été sélectionnés parmi 3 646 composés, qui ont montré une activité élevée contre S. aureus et une bonne sélectivité contre les cellules humaines. Les performances de ces deux composés dans diverses conditions de test, en particulier la capacité d’inhibition de la croissance dans un milieu contenant du sérum, étaient excellentes et méritaient d’être étudiées plus en détail.

L’étude de ces composés a démontré que les classes structurelles prédites par les modèles d’apprentissage profond peuvent guider efficacement le criblage expérimental pour découvrir de nouveaux candidats antibiotiques.

Processus de sélection

Sélection des composés : les composés contenant des alertes PAINS et Brenk pour une éventuelle réactivité, mutagénicité ou propriétés pharmacocinétiques défavorables ont été éliminés de l'ensemble initial de 3 646 résultats, ce qui a donné lieu à une sélection de 2 209 composés.

Criblage structurel : les composés ayant des structures différentes de celles de l'ensemble d'apprentissage ont été examinés plus en détail, en utilisant un score de similarité Tanimoto maximal ≤ 0,5 comme seuil préliminaire et en excluant les composés contenant un cycle β-lactame ou un noyau bicyclique quinolone, ce qui a donné 1 261 composés.

Identification des composés efficaces

Test d'inhibition de la croissance :Parmi les neuf composés à succès liés aux groupes rationnels G1-G5, quatre composés (44%) se sont révélés actifs contre Staphylococcus aureus (S. aureus) avec une concentration minimale inhibitrice (CMI) ≤ 32 μg/ml.

Classes structurelles et efficacité : Ces composés puissants étaient liés aux groupes rationnels G1, G2 et G5, parmi lesquels deux composés (n° 1 et n° 2) du groupe G2 se sont avérés actifs. Ces deux composés répondent à la fois à la règle de Lipinski et aux critères de Ghose, ce qui indique qu'ils ont une bonne biodisponibilité orale et des propriétés similaires à celles d'un médicament et méritent d'être étudiés plus en détail.

Les deux composés criblés

Étude complémentaire : Propriétés des deux composés

Grâce à des études mécanistiques approfondies et à des expériences in vitro et in vivo, les composés 1 et 2 ont montré un potentiel en tant que nouveaux candidats antibiotiques. Ils sont non seulement efficaces contre les souches multirésistantes, mais présentent également une faible tendance à développer une résistance et un bon profil de sécurité.

Ces résultats suggèrent que ces deux composés pourraient servir de série chimique prometteuse pour le développement de médicaments antibiotiques.

Mécanisme d'action et résistance aux médicaments

Structure commune :Les composés 1 et 2 partagent la structure principale de la N-[2-(2-chlorophénoxy)éthyl]aniline, qui devrait être la structure de base de l'activité antibiotique.

Test d'inhibition de la croissance :Dans des expériences de time-kill contre Staphylococcus aureus et Bacillus subtilis, ces deux composés ont montré une activité antibiotique similaire à celle de la vancomycine mais avec une puissance bactéricide plus faible.

Étude de résistance aux médicaments :Dans des expériences menées sur des souches de Staphylococcus aureus résistantes aux antibiotiques, les deux composés n’ont que légèrement augmenté leurs concentrations minimales inhibitrices (CMI), ce qui suggère qu’ils pourraient avoir un mécanisme d’action différent de celui des antibiotiques courants.

Développement de la résistance aux médicaments :Après 30 jours de culture continue, les CMI de ces deux composés n’ont montré pratiquement aucun changement, montrant une faible tendance au développement de la résistance.

Effet contre les bactéries multirésistantes aux médicaments

Résistance large :Les deux composés ont montré une activité contre 40 espèces bactériennes différentes, y compris les entérocoques résistants à la vancomycine, avec des CMI médianes de 4 et 3 μg/ml, respectivement.

Efficacité contre les bactéries dormantes :Les deux composés ont également montré une activité contre les cellules stationnaires de Bacillus subtilis.

Toxicologie, chimie et efficacité

Études de sécurité :Les deux composés ont montré une bonne sécurité dans les expériences in vitro, notamment la non-hémolyse, la non-liaison aux ions métalliques, la non-génotoxicité, la stabilité chimique et la sécurité chez la souris.

Expériences d’efficacité in vivo :Dans les modèles d’infection cutanée et d’infection de la cuisse à Staphylococcus aureus chez la souris, le composé 1 a montré une activité antibactérienne significative.

Efficacité in vivo des composés

Apprentissage profond : un outil puissant pour lutter contre la résistance aux antibiotiques

Les chercheurs explorent depuis de nombreuses années des méthodes efficaces et faciles à promouvoir pour lutter contre la résistance aux antibiotiques. Dans ce processus, l’émergence de l’apprentissage profond a fourni aux chercheurs de nouvelles idées pour résoudre les problèmes. La valeur d'application de l'apprentissage profond dans la lutte contre la résistance aux antibiotiques réside dans :

Au-delà des approches traditionnelles de découverte d’antibiotiques :Les méthodes traditionnelles de découverte d’antibiotiques s’appuient souvent sur des structures actives connues, ce qui limite la portée de la découverte de nouveaux médicaments. Les méthodes d’apprentissage en profondeur peuvent identifier de nouveaux composés structurellement différents des antibiotiques traditionnels et peuvent être efficaces contre les souches actuellement résistantes.

Médecine personnalisée et de précision :L’apprentissage profond peut être utilisé pour analyser les caractéristiques génétiques et phénotypiques d’agents pathogènes spécifiques, facilitant ainsi le développement d’antibiotiques personnalisés pour des agents pathogènes ou des types d’infection spécifiques.

La route est longue et difficile, mais si vous continuez, vous atteindrez votre destination. L’application de l’apprentissage profond au développement de médicaments en est encore à un stade relativement précoce et peut être confrontée à des défis tels que la qualité et l’interprétabilité des données. Cependant, en tant que ligne de défense importante pour les humains contre les bactéries, la recherche connexe est d’une grande importance, et je crois qu’elle continuera à progresser avec le soutien des itérations technologiques.

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