AI 對抗超級細菌：麥克馬斯特大學利用深度學習發(fā)現(xiàn)新型抗生素 abaucin
內容一覽：鮑曼不動桿菌是一種常見的醫(yī)院獲得性革蘭氏陰性病原體，通常表現(xiàn)出多重耐藥性。利用傳統(tǒng)方法，發(fā)現(xiàn)抑制此菌的新型抗生素很困難。但利用機器學習可以快速探索化學空間，從而增加發(fā)現(xiàn)新型抗菌分子的可能性。近期，國際期刊《Nature Chemical Biology》上發(fā)布了一篇研究成果，研究人員發(fā)現(xiàn) abaucin 能夠有效地抑制鮑曼不動桿菌。
關鍵詞：鮑曼不動桿菌 abaucin 深度學習
本文首發(fā)自 HyperAI 超神經(jīng)微信公眾平臺~
鮑曼不動桿菌（學名：Acinetobacter baumannii，俗稱：AB 菌）為不動桿菌屬中最常見的一種革蘭陰性桿菌，廣泛存在于自然界的水及土壤中，也存在于正常人體皮膚、呼吸道、消化道和泌尿生殖道中。該菌常見于醫(yī)院感染，也是水產(chǎn)養(yǎng)殖業(yè)動物的病原菌，通常會引起菌血癥、肺炎、腦膜炎、腹膜炎、心內膜炎以及泌尿道和皮膚感染。
鮑曼不動桿菌對濕熱、紫外線、化學消毒劑有較強的抵抗力，耐低溫。在干燥的物體表面可以存活 25 天以上，常規(guī)消毒劑只能抑制其生長，不能殺滅，而且耐受肥皂，是醫(yī)務人員手上、醫(yī)療器械、物體表面最常分離到的革蘭陰性桿菌。由于抗生素的濫用，鮑曼不動桿菌產(chǎn)生多重抗藥性，被世界衛(wèi)生組織認定為世界上最危險的耐抗生素細菌之一。
近期，來自麥克馬斯特大學 (McMaster University) 的 Gary Liu 以及來自麻省理工學院 (Massachusetts Institute of Technology) 的 Denise B. Catacutan 等研究人員利用深度學習篩選了大約 7,500 個分子，找出了抑制鮑曼不動桿菌的新型抗生素。目前，該研究已發(fā)布在《Nature Chemical Biology》期刊上，標題為「Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii」。
論文地址：
https://www.nature.com/articles/s41589-023-01349-8#access-options
實驗過程
數(shù)據(jù)集?
研究人員基于鮑曼不動桿菌 ATCC 17978 在 LB 培養(yǎng)基中的生長，對 7,684 個小分子進行了篩選。這些小分子包括 2,341 個非專利藥物和 5,343 個合成化學物，都是由 Broad 研究所的高通量篩選子庫提供的。根據(jù)傳統(tǒng)的命中率分界線（即與整個數(shù)據(jù)集的平均生長抑制率相比低于一個標準差的分子），他們確定了 480 個分子為「活性」，而 7,204 個分子為「非活性」。
模型訓練?
為了增強模型結構，研究人員將分子表征與使用 RDCit 計算的 200 個額外的分子級特征連接起來。此外，為了進一步提高模型的性能，研究人員使用了一個由 10 個模型組成的集合，對 7,684 個分子的訓練數(shù)據(jù)集（有 ~6.2% 的有效例子）進行模型建立和訓練，并將模型應用于更新的藥物再利用中心 (Drug ?Repurposing Hub)。研究人員把數(shù)據(jù)集隨機分成 80% 的訓練數(shù)據(jù)、10% 的驗證數(shù)據(jù)和 10% 的測試數(shù)據(jù)。
a.?7,684 個小分子的初步篩選數(shù)據(jù)，這些小分子在 50 μM 的 LB 培養(yǎng)基中抑制鮑曼不動桿菌 ATCC 17978 的生長。
b.??從預測集中選擇用于驗證的 240 個優(yōu)先分子的排序生長抑制數(shù)據(jù)（上）；預測得分最低的 240 個預測分子的排序生長抑制數(shù)據(jù)（中）；訓練數(shù)據(jù)集中未找到的具有最高預測分數(shù)的 240 個預測分子的排序生長抑制數(shù)據(jù)（底部）。水平虛線代表 50 μM 時 >80% 生長抑制的嚴格命中截止值。
c.? 鮑曼不動桿菌在 LB 培養(yǎng)基中被 abaucin（藍色）和 serdemetan（紅色）抑制生長。
d.? 用不同濃度的 abaucin 處理 6 小時后鮑曼不動桿菌細胞的生長動力。
代碼獲?。?/strong>
https://github.com/chemprop/chemprop
小鼠模型實驗?
研究人員對 6 至 8 周大的雌性 C57BL/6N 小鼠進行了預處理，在實驗開始前四天和前一天分別按體重注射了 150 mg/kg 及 100 mg/kg 的環(huán)磷酰胺，使小鼠中性粒細胞減少。在第 0 天，用異氟醚對小鼠進行麻醉，并以 0.1?mg/kg 的劑量對小鼠進行腹腔注射丁丙諾啡作為止痛劑。研究人員用大約 30-35 片高壓膠布在小鼠背上留下 2 平方厘米的擦傷，通過膠布剝離到表皮基底層，隨即使用 ~6.5 x 106 CFU A. baumannii ATCC 17978 感染小鼠。小鼠 (n = 5/6) 在感染后 1、2、3、4、6、10、21 和 24 小時用 ~10-20 μl 帶有 abaucin 的 Glaxal Base (實驗組) 或 DMSO (對照組) 治療。
實驗結果
研究人員在機器學習的幫助下發(fā)現(xiàn)了一種名為 abaucin 的抗菌化合物，它具有針對鮑曼不動桿菌的窄譜活性，能夠通過干擾 LolE 的機制來干擾類脂蛋白的轉運過程。下圖顯示了深度學習引導發(fā)現(xiàn) abaucin 的過程。
a.??篩選的 ~7,500 個分子（藍色）；用該生長抑制數(shù)據(jù)集訓練的定向信息傳遞的深度神經(jīng)網(wǎng)絡，并在藥物再利用中心進行預測（紅色）；能夠抑制鮑曼不動桿菌的新分子（紫色）。
b.?7,684 個小分子集合在 50 μM 時對鮑曼不動桿菌 ATCC 17978 的生長抑制。
c.? 訓練后的模型對藥物再利用中心內的分子進行的預測分數(shù)排序。預測分數(shù)大于 0.2 的分子為初步候選分子。
d.?A t-SNE 圖顯示了訓練數(shù)據(jù)集（藍色）、預測集（紅色）和 abaucin（黃色）之間的化學關系。
e.?abaucin 在 LB 培養(yǎng)基中對鮑曼不動桿菌的生長抑制。
f.?abaucin 在營養(yǎng)豐富的條件下以不同濃度培養(yǎng) 1.5 小時（藍色）、3 小時（藍綠色）、4.5 小時（綠色）和 6 小時（紫色）后對鮑曼不動桿菌的殺傷力。
g.?abaucin 在營養(yǎng)不足的條件下培養(yǎng) 1.5 小時（藍色）、3 小時（藍綠色）、4.5 小時（綠色）和 6 小時（紫色）后對鮑曼不動桿菌的殺傷力。
如圖 2?所示，研究人員篩選了大約 7,500 個分子，利用這個生長抑制數(shù)據(jù)集訓練了一個神經(jīng)網(wǎng)絡，并對能夠抑制鮑曼不動桿菌活性的新型分子進行了預測。總的來說，這些數(shù)據(jù)表明，abaucin 通過抑制一種在生長和分裂期間活性最大的生物過程而發(fā)揮其抗菌效力，與大多數(shù)已知的抗生素一致。
此外，為了測試 abaucin 的體內功效，研究人員在小鼠的背面建立了傷口感染。
a.??在背部傷口感染模型中，小鼠感染鮑曼不動桿菌 ATCC 17978 (~6.5 x 106 CFU)。感染 1 小時后，用 DMSO（紅色；n = 6）或 4% abaucin（藍色；n = 6）治療小鼠 24 小時以上?？v軸是感染后 25 小時傷口組織的細菌負荷。Pre-Tx 代表初始治療時的細菌負荷 (n = 5)。黑線代表平均值 ±s.d。NS 表示無統(tǒng)計學意義；** P < 0.005 使用未配對的兩側 t 檢驗和 Welch 校正（Pre-Tx 與 4% abaucin 相比，P= 0.0704；Pre-Tx 與 DMSO 相比，P= 0.0034；DMSO 與 4% abaucin 相比，P= 0.0039）。
p.s.? 一般一個星號代表 p 值小于 0.05，兩個星號代表 p 值小于 0.01，三顆星代表 p 值小于 0.001。p 值越小，顯著性越強。
b.? 感染前 (t = 0)、用 DMSO 處理 24 小時后以及用 abaucin 處理 24 小時后的小鼠背表面圖像。在 DMSO 中觀察到的炎癥 (箭頭) 在用 abaucin 處理的小鼠中不存在。
圖 3?顯示，使用 abaucin 進行治療后的傷口細菌負荷明顯低于 DMSO 組，且在用 DMSO 處理 24 小時后仍存在的傷口炎癥在 abaucin 中消失了，abaucin 能夠有效地控制鮑曼不動桿菌的感染。
綜上，研究人員利用深度學習發(fā)現(xiàn) abaucin 能夠有效控制鮑曼不動桿菌感染，這項研究強調了機器學習在發(fā)現(xiàn)新抗生素方面的作用，并引導了具有挑戰(zhàn)性的革蘭陰性病原體研究。
AI 改變傳統(tǒng)新藥發(fā)現(xiàn)方式
值得注意的是，本研究為麥克馬斯特大學助理教授 Jon Stokes 與 MIT 醫(yī)學工程和科學教授 James J. Collins、麥克馬斯特大學研究生 Gary Liu 及 Denise Catacutan 等人一起開展的。Jon Stokes、Gary Liu 與 Denise Catacutan 皆為 Stokes Laboratory 的成員。
Stokes Laboratory 地址：
https://www.thestokeslab.com/projects
該實驗室通過利用最先進的高通量生物學和當代人工智能方法來發(fā)現(xiàn)新型抗生素。具體而言，研究人員通過訓練深度學習模型從龐大的計算機模擬數(shù)據(jù)庫中預測新型抗生素，還建立模型來預測新抗生素的作用機制和體內特性。他們利用機器學習來加速新型抗生素的發(fā)現(xiàn)進程，同時降低研發(fā)成本。
Stokes 教授曾在一次采訪中說到「人工智能將從根本上改變新藥發(fā)現(xiàn)方式」。研究結果表明，人工智能對發(fā)現(xiàn)針對多種具有挑戰(zhàn)性病原體的新型抗生素具有重大意義，這種方法在尋找其他抗菌療法方面也具有潛力。人工智能雖然不能解決所有問題，但作為一種強大的工具，它可以幫助我們尋找新藥，為人們帶來希望。
參考文章：
[1]http://ccm.dxy.cn/article/805579
[2]https://zh.wikipedia.org/wiki/%E9%AE%91%E6%B0%8F%E4%B8%8D%E5%8B%95%E6%A1%BF%E8%8F%8C
[3]https://www.ctvnews.ca/health/scientists-use-ai-to-discover-antibiotic-for-very-difficult-to-treat-bacteria-1.6411927
本文首發(fā)自 HyperAI 超神經(jīng)微信公眾平臺~
