「超級細(xì)菌」魔咒或?qū)⒋蚱?？科學(xué)家利用深度學(xué)習(xí)發(fā)現(xiàn)新型抗生素

作者：加零

編輯：李寶珠、三羊

MIT利用圖神經(jīng)網(wǎng)絡(luò) Chemprop 識別潛在抗生素，特異性殺死鮑曼不動桿菌。

自然界中充滿了各種各樣的微生物，例如結(jié)核桿菌（導(dǎo)致肺結(jié)核）、霍亂弧菌（導(dǎo)致霍亂）等嚴(yán)重危害了人們的健康。而在人類歷史上，感染這些致病細(xì)菌，除了依賴人體自身的免疫系統(tǒng)，幾乎無解。直到 1928 年，青霉素的發(fā)現(xiàn)，讓人類第一次擁有了戰(zhàn)勝致病細(xì)菌的有力武器。

然而，抗生素的廣泛應(yīng)用也帶來了一個巨大的危機 —— 抗生素耐藥性 (AMR)，據(jù)世界衛(wèi)生組織 (WHO) 統(tǒng)計， 2019 年全球約有 120 萬人死于抗生素耐藥性 (AMR) 所加劇的細(xì)菌感染，這已經(jīng)高于艾滋病導(dǎo)致的死亡人數(shù)。濫用抗生素催生某些「超級細(xì)菌」的出現(xiàn)，成為了 21 世紀(jì)臨床重要致病因。要解決這一難題，迫切需要開發(fā)全新的抗生素。

針對特異細(xì)菌，深度學(xué)習(xí)模型可以提高對化合物藥效和安全性的預(yù)測準(zhǔn)確性，有效減少實驗室實驗和臨床試驗的時間和資源消耗，對有效且安全的抗生素發(fā)現(xiàn)至關(guān)重要。

為此，來自 MIT 的研究者們開發(fā)了一種深度學(xué)習(xí)方法來發(fā)現(xiàn)抗生素，利用圖神經(jīng)網(wǎng)絡(luò) Chemprop 從大型化學(xué)庫中識別潛在的抗生素，并發(fā)現(xiàn)了一類新型抗生素。他們能夠特異性殺死重要的耐藥菌 —— 鮑曼不動桿菌 (Acinetobacter baumannii)，相關(guān)論文已發(fā)表于 Nature。

論文已發(fā)表于 Nature

論文地址：

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

關(guān)注公眾號，回復(fù)「發(fā)現(xiàn)抗生素」下載完整論文

實驗方法：利用圖神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)

數(shù)據(jù)集：多種化合物

初步篩選：該研究初步篩選了 39,312 種化合物，對其抗生素活性和人類細(xì)胞毒性特征進(jìn)行分析。
擴大預(yù)測：為進(jìn)一步擴大預(yù)測范圍，這些模型對 12,076,365 種化合物進(jìn)行測試，其中 11,277,225 種來自 Mcule 數(shù)據(jù)庫，799,140 種來自 Broad Institute 數(shù)據(jù)庫。

39,312 個化合物的分子量分布

算法訓(xùn)練：利用圖神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

使用圖神經(jīng)網(wǎng)絡(luò) Chemprop 對篩選出的 39,312 種化合物進(jìn)行訓(xùn)練，預(yù)測其抗生素活性和人類細(xì)胞毒性，訓(xùn)練過程如下。

分子表示：使用 RDKit 從每個化合物的 SMILES（Simplified Molecular Input Line Entry Specification，簡化分子輸入線性入口系統(tǒng)）字符串生成基于圖的分子表示。

特征向量生成：為每個原子和鍵生成特征向量，包括原子特征（如原子序數(shù)、鍵數(shù)、正電荷等）和鍵特征（如鍵類型、共軛、環(huán)成員資格等）。

信息傳遞：實現(xiàn)基于鍵的信息傳遞卷積神經(jīng)網(wǎng)絡(luò)，更新鍵的消息，通過神經(jīng)網(wǎng)絡(luò)層并應(yīng)用非線性激活函數(shù)。

模型輸出：模型在固定的信息傳遞步驟后，對整個分子的消息進(jìn)行匯總，通過前饋神經(jīng)網(wǎng)絡(luò)預(yù)測化合物的活性，如抗生素活性、細(xì)胞毒性或改變質(zhì)子動力勢的活性。

優(yōu)化措施：包括添加額外的分子級特征、使用超參數(shù)優(yōu)化選擇最佳性能參數(shù)，以及通過集成學(xué)習(xí)增強模型的魯棒性。

模型架構(gòu)：保證化合物的有效性和安全性

抗生素活性模型

研究人員在化合物濃度 50 μM 的培養(yǎng)基中預(yù)測其對金黃色葡萄球菌 (S. aureus) 的抗生素活性，以 80% 標(biāo)準(zhǔn)化生長抑制截止值 (normalized growth inhibition cut-off) 區(qū)分為活性或無活性。共 10 個圖神經(jīng)網(wǎng)絡(luò)模型在同一 80% - 20% 的訓(xùn)練數(shù)據(jù)集上進(jìn)行了訓(xùn)練、驗證和測試。

結(jié)果顯示，具有 RDKit 特征的 Chemprop 模型表現(xiàn)出更優(yōu)越的預(yù)測能力，在 39,312 種化合物中識別出 512 種活性化合物。

預(yù)測抗生素活性的深度學(xué)習(xí)模型比較

人類細(xì)胞毒性模型

研究人員利用 39,312 種化合物對人類肝癌細(xì)胞 (HepG2)、人類初級骨骼肌細(xì)胞 (HSkMCs) 和人類肺成纖維細(xì)胞 (IMR-90) 進(jìn)行毒性篩選。在用每種化合物 10 μM 濃度處理 2-3 天后，評估細(xì)胞活力，以 90% 細(xì)胞活力截止值 (cell viability cut-off) 將化合物活性分類。

同樣對 10 個 Chemprop 模型集合進(jìn)行了訓(xùn)練、驗證和測試，對比結(jié)果如下圖：

預(yù)測人類細(xì)胞毒性的深度學(xué)習(xí)模型比較

結(jié)果顯示，分別有 3,341 (8.5%)、1,490 (3.8%) 和 3,447 (8.8%) 的化合物對 HepG2 細(xì)胞、HSkMCs 和 IMR-90 細(xì)胞具有毒性。在上步篩選出的 512 種活性抗菌化合物中，306 種對這三種細(xì)胞類型均無毒性。

總結(jié)來看，盡管與抗生素活性模型相比存在一定局限性，這一模型平衡了藥物的有效性和對人體的無害性，展示了在藥物發(fā)現(xiàn)中使用先進(jìn)計算方法的潛力。

實驗結(jié)果：抗生素的篩選識別

精煉和大范圍應(yīng)用模型：全化學(xué)空間的篩選和可視化

在這一研究階段中，重點在于精煉和應(yīng)用模型，以便在龐大的化學(xué)空間中識別潛在的抗生素化合物，并評估它們的細(xì)胞毒性。研究人員重新訓(xùn)練了 20 個 Chemprop 模型用于預(yù)測抗生素活性和 HepG2、HSkMC、IMR-90 細(xì)胞的細(xì)胞毒性，改進(jìn)后的模型被應(yīng)用于 12,076,365 種化合物預(yù)測上。

化合物篩選

抗生素活性篩選：從 Mcule 數(shù)據(jù)庫中篩選出抗生素預(yù)測得分超過 0.4 的 3,004 種化合物；從 Broad Institute 數(shù)據(jù)庫中篩選出得分超過 0.2 的 7,306 種化合物。

人類細(xì)胞毒性篩選：

保留細(xì)胞毒性預(yù)測得分低于 0.2 的化合物，最終篩選出 3,646 種化合物（1,210 種來自Mcule 數(shù)據(jù)庫，2,436 種來自 Broad Institute 數(shù)據(jù)庫）——占所有評估化合物的 0.03%。

化合物篩選

a：計算機模擬過濾程序b-e：抗生素活性和 HepG2、HSkMC、IMR-90 細(xì)胞的細(xì)胞毒性預(yù)測

化學(xué)空間的可視化

以摩根指紋 (Morgan fingerprints) 為分子表示，采用 t 分布隨機相鄰嵌入 (t-SNE, t-distributed stochastic neighbour embedding) 方法對化學(xué)空間進(jìn)行可視化。

如下圖所示，t-SNE 的可視化揭示了 hits（通過篩選的化合物）和 non-hits（抗生素預(yù)測得分低的化合物）之間的明顯差異。

對化合物的 t-SNE 分析

進(jìn)一步篩選：識別兩個有效化合物

在 3,646 個化合物中篩選出 2 個對金黃色葡萄球菌表現(xiàn)出高活性且對人類細(xì)胞具有良好選擇性的化合物（1 號和 2 號），這兩種化合物在各種測試條件下的表現(xiàn)、特別是在含血清的培養(yǎng)基中的生長抑制能力很優(yōu)越，值得進(jìn)一步研究。

這些化合物的研究表明，深度學(xué)習(xí)模型預(yù)測的結(jié)構(gòu)類別可以有效地指導(dǎo)實驗篩選，從而發(fā)現(xiàn)新的抗生素候選物。

篩選過程

化合物篩選：從最初的 3,646 個 hits 化合物中去除了含有可能反應(yīng)活性、致突變或藥代動力學(xué)不利的 PAINS 和 Brenk 警報的化合物，篩選至 2,209 個。

結(jié)構(gòu)篩選：進(jìn)一步篩選與訓(xùn)練集中化合物結(jié)構(gòu)不同的化合物，使用最大 Tanimoto 相似性得分 ≤0.5 作為初步切斷點，并排除含 β-內(nèi)酰胺環(huán)或喹諾酮雙環(huán)核心的化合物，最終得到 1,261 個化合物。

有效化合物的識別

生長抑制測試：在 9 個與理性組 G1-G5 相關(guān)的 hits 化合物中，發(fā)現(xiàn) 4 個化合物 (44%) 對金黃色葡萄球菌 (S. aureus) 有活性，最小抑制濃度 (MIC) ≤32 μg/ml。

結(jié)構(gòu)類別和有效性：這些有效化合物與理性組 G1、G2 和 G5 相關(guān)，其中 G2 組的兩個化合物（1號和2號）被證實為活性。這兩個化合物同時符合 Lipinski 的規(guī)則和 Ghose 標(biāo)準(zhǔn)，表明它們具有良好的口服生物利用度和藥物樣特性，值得進(jìn)一步研究。

篩選出的兩個化合物

進(jìn)一步研究：兩個化合物的特性

通過深入的機制研究和體內(nèi)外實驗，化合物 1 和 2 顯示出作為新型抗生素候選物的潛力。它們不僅針對多重耐藥菌株有效，而且具有較低的耐藥性發(fā)展趨勢和良好的安全性。

這些發(fā)現(xiàn)表明，這兩種化合物可作為抗生素藥物發(fā)展的有希望的化學(xué)系列。

作用機制和耐藥性

共同結(jié)構(gòu)：化合物 1 和 2 共享 N-[2-(2-chlorophenoxy)ethyl]aniline core 這一結(jié)構(gòu)，預(yù)測表明這可能是抗生素活性的基本結(jié)構(gòu)。

生長抑制實驗：在對金黃色葡萄球菌和枯草桿菌的時間殺菌實驗中，這兩種化合物顯示出了抗生素活性，與范科霉素類似但殺菌力較低。

耐藥性研究：在對抗生素耐藥的金黃色葡萄球菌株進(jìn)行的實驗中，這兩種化合物的最小抑制濃度 (MIC) 只略有增加，表明它們可能具有與常見抗生素不同的作用機制。

耐藥性的發(fā)展：經(jīng)過 30 天的連續(xù)培養(yǎng)，這兩種化合物的 MIC 幾乎沒有變化，顯示出較低的耐藥性發(fā)展趨勢。

抗多重耐藥菌效果

廣泛抗性：這兩種化合物對包括萬古霉素耐藥性腸球菌在內(nèi)的 40 種不同細(xì)菌種類表現(xiàn)出活性，其中 MIC 的中位數(shù)分別為 4 和 3 μg/ml。

對靜止期細(xì)菌的有效性：這兩種化合物對枯草桿菌的靜止期細(xì)胞也顯示出活性。

毒理學(xué)、化學(xué)特性及功效

安全性研究：這兩種化合物在體外實驗中表現(xiàn)出良好的安全性，包括非溶血性、不結(jié)合金屬離子、無基因毒性、化學(xué)穩(wěn)定性以及在小鼠體內(nèi)的安全性。

體內(nèi)功效實驗：在小鼠金黃色葡萄球菌皮膚感染和大腿感染模型中，化合物 1 表現(xiàn)出顯著的抗菌活性。

化合物的體內(nèi)療效

深度學(xué)習(xí)：應(yīng)對抗生素耐藥性的利器

研究人員多年來一直在探索應(yīng)對抗生素耐藥性的有效、易推廣的方法，在這一過程中，深度學(xué)習(xí)的出現(xiàn)為研究人員提供了新的解題思路，深度學(xué)習(xí)在應(yīng)對抗生素耐藥性方面的應(yīng)用價值在于：

超越傳統(tǒng)抗生素發(fā)現(xiàn)方法：傳統(tǒng)的抗生素發(fā)現(xiàn)方法往往依賴于已知的活性結(jié)構(gòu)，這限制了新藥發(fā)現(xiàn)的范圍。深度學(xué)習(xí)方法可以識別與傳統(tǒng)抗生素結(jié)構(gòu)不同的新化合物，可能對當(dāng)前耐藥的菌株有效。

個性化和精準(zhǔn)醫(yī)療：深度學(xué)習(xí)可以用于分析特定病原體的遺傳和表型特征，從而有助于開發(fā)針對特定病原體或感染類型的個性化抗生素。

道阻且長，行之將至。深度學(xué)習(xí)在藥物研發(fā)中的應(yīng)用仍處于相對早期階段，可能會面臨數(shù)據(jù)質(zhì)量和可解釋性等挑戰(zhàn)，但作為人類對抗細(xì)菌的重要防線，相關(guān)研究意義重大，相信勢必會在技術(shù)迭代的加持下持續(xù)向前。

參考文獻(xiàn)：

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