Te związki mogą zabijać gronkowca złocistego opornego na metycylinę (MRSA), bakterię powodującą śmiertelne infekcje. Wykorzystując rodzaj sztucznej inteligencji znanej jako głębokie uczenie, badacze z MIT odkryli klasę związków, które mogą zabijać bakterie wywołujące ponad 10 000 zgonów w Stanach Zjednoczonych każdego roku.
W badaniu opublikowanym dzisiaj w Nature, badacze wykazali, że te związki mogą zabijać gronkowca złocistego opornego na metycylinę (MRSA) hodowanego w misce laboratoryjnej oraz w dwóch modelach mysich infekcji MRSA. Związki te wykazują również bardzo niską toksyczność wobec ludzkich komórek, czyniąc je szczególnie dobrymi kandydatami na leki.
Kluczową innowacją nowego badania jest to, że badaczom udało się również dowiedzieć, jakiego rodzaju informacji używał model głębokiego uczenia do prognozowania siły antybiotycznej. Ta wiedza może pomóc badaczom w projektowaniu dodatkowych leków, które mogą działać jeszcze lepiej niż te zidentyfikowane przez model.
„Wgląd tutaj polegał na tym, że mogliśmy zobaczyć, czego uczyły się modele, aby przewidywać, że pewne cząsteczki będą dobrymi antybiotykami. Nasza praca dostarcza ram, które są wydajne pod względem czasu, zasobów i mechanistycznie wglądowe, z punktu widzenia struktury chemicznej, w sposób, którego do tej pory nie mieliśmy,” mówi James Collins, profesor inżynierii medycznej i nauk w IMES MIT i wydziale inżynierii biologicznej.
Felix Wong, postdoktorant w IMES i Broad Institute of MIT i Harvard, oraz Erica Zheng, była studentka doktorancka Harvard Medical School, której opiekunem był Collins, są głównymi autorami badania, które jest częścią projektu Antibiotics-AI w MIT. Misją tego projektu, kierowanego przez Collinsa, jest odkrycie nowych klas antybiotyków przeciwko siedmiu rodzajom śmiertelnych bakterii w ciągu siedmiu lat.
MRSA, który zaraża więcej niż 80 000 osób w Stanach Zjednoczonych każdego roku, często powoduje infekcje skóry lub zapalenie płuc. Ciężkie przypadki mogą prowadzić do sepsy, potencjalnie śmiertelnej infekcji krwi.
Przez ostatnie kilka lat Collins i jego koledzy z MIT’s Abdul Latif Jameel Clinic for Machine Learning in Health (Jameel Clinic) zaczęli używać głębokiego uczenia, aby próbować znaleźć nowe antybiotyki. Ich praca przyniosła potencjalne leki przeciwko Acinetobacter baumannii, bakterii często występującej w szpitalach, oraz wiele innych bakterii opornych na leki.
Te związki zostały zidentyfikowane przy użyciu modeli głębokiego uczenia, które potrafią rozpoznać struktury chemiczne związane z aktywnością przeciwdrobnoustrojową. Te modele następnie przeszukują miliony innych związków, generując prognozy, które z nich mogą mieć silną aktywność przeciwdrobnoustrojową.
Te typy poszukiwań okazały się owocne, ale jednym z ograniczeń tego podejścia jest to, że modele są „czarnymi skrzynkami”, co oznacza, że nie ma sposobu, aby dowiedzieć się, na jakich cechach model opierał swoje prognozy. Gdyby naukowcy wiedzieli, jak modele dokonują swoich prognoz, łatwiej byłoby im zidentyfikować lub zaprojektować dodatkowe antybiotyki.
