Несмотря угрозу антибиотикорезистентности, разработка новых антимикробных препаратов существенно отстает.
Если в 2021 году в клинических испытаниях находилось более 4000 иммуно-онкологических соединений, то клинические исследования прошли только 40 антимикробных препаратов (из которых ни один не активен против грамотрицательных бактерий с множественной лекарственной резистентностью), что свидетельствует о настоятельной необходимости активизации разработки новых антимикробных соединений.
Одним из перспективных классов антимикробных соединений являются антимикробные пептиды (АМП). Большой класс АМП содержит линейные пептиды из 12-50 канонических аминокислот, которые эволюционировали как часть природного антимикробного арсенала бактерий, а также врожденной иммунной системы многоклеточных организмов. По сравнению с классическими антибиотиками, АМП характеризуются меньшим развитием резистентности, главным образом потому, что:
(i) большинство АМП действуют непосредственно на клеточную мембрану,
(ii) демонстрируют относительно высокую скорость уничтожения, и
(iii) резистентность к АМП обеспечивается скорее неспецифическими механизмами, что снижает вероятность мутационных событий и/или горизонтального переноса генов.
В целом это делает АМП интересными кандидатами в антимикробные препараты нового поколения.
На сегодняшний день охарактеризовано около 5000 АМП, большинство из которых имеют природное происхождение. Однако эти 5000 АМП охватывают лишь малую часть возможного пространства решений, которое могла использовать природа (~2030 для АМП длиной 30 АА). Кроме того, поиск АМП в геномах и метагеномах затруднен ограниченностью природных (и еще не открытых) АМП, а также доступными вычислительными и экспериментальными средствами поиска АМП. Таким образом, наши возможности по обнаружению новых АМП из этой "терра инкогнита" ограничены.
Поскольку вероятность того, что случайно сгенерированные пептиды проявят антимикробные свойства, невелика, одним из способов неограниченной разработки АМП является использование моделей глубинного обучения, которые все чаще применяются для de novo дизайна белков и пептидов. В этом подходе, известном как генеративное глубинное обучение, модели изучают ландшафт природных белковых последовательностей в обучающих массивах с немаркированными данными, чтобы предлагать новые для науки белковые последовательности.
Эти модели отличаются от прогнозирующих моделей, которые используют помеченные данные для предсказания конкретных свойств (меток) белков на основе их последовательностей. Генеративное и предиктивное глубинное обучение недавно было использовано для открытия новых последовательностей АМП, которые впоследствии были созданы и подтверждены путем химического синтеза отдельных кандидатов. Хотя это практическое доказательство продемонстрировало потенциал глубинного обучения в открытии АМП, более широкое применение этого подхода было ограничено из-за отсутствия удобных методов получения и скрининга большего числа кандидатов в АМП со средней и высокой пропускной способностью.
Одной из возможностей увеличения производительности при производстве АМП является переход от химического синтеза к биопродуцированию на основе ДНК. Однако гетерологичная экспрессия АМП в микроорганизмах, таких как E. coli, имеет ряд недостатков:
(i) она требует больших затрат времени и труда,
(ii) клонирование, производство и очистка АМП из клеточных культур, и, самое главное,
(iii) многие (мощные) кандидаты АМП могут быть недоступны, поскольку при индукции они потенциально убивают штамм-продуцент.
Бесклеточный синтез белка (CFPS) предлагает перспективное решение этих проблем. CFPS-системы представляют собой системы транскрипционной трансляции in vitro, непосредственно использующие ДНК-шаблоны для биосинтеза белка, что позволяет получать пептиды вне живых клеток. Таким образом, эти системы могут помочь преодолеть потенциальный эффект клеточной токсичности и открыть путь к быстрому мелкосерийному параллельному производству нескольких сотен пептидов из линейных ДНК.
В данной работе мы объединили методы глубинного обучения и CFPS для de novo-дизайна, быстрого производства и скрининга АМП в небольших масштабах в течение 24 ч при цене <10 долл. за индивидуальный анализ производства АМП (без учета стоимости фрагмента ДНК). Исследовав ~500 000 теоретических последовательностей, мы проверили 500 кандидатов в АМП и выявили 30 функциональных АМП, которые совершенно не связаны с какими-либо природными последовательностями. Примечательно, что шесть из этих АМП проявили высокую антимикробную активность против патогенов с множественной лекарственной резистентностью, не вызвали появления резистентности и показали минимальную токсичность для клеток человека.
Хотя основное внимание мы уделяли АМП с широким спектром действия, отметим, что наша система в сочетании с различными методами машинного обучения также хорошо подходит для разработки и итеративной оптимизации АМП с более специфическими характеристиками. К таким характеристикам можно отнести селективность и специфичность, стабильность, биодоступность in vivo, иммуномодулирующие свойства, синергизм с существующими препаратами и резистентность. Уточняя эти характеристики, мы можем продвинуть разработку АМП для различных клинических применений.
В целом наша работа представляет собой пример того, как CFPS может быть использована для использования всего потенциала подходов машинного обучения в будущем. Особенно в свете постоянно снижающихся затрат на синтез ДНК наш комбинированный подход, включающий глубинное обучение и CFPS, обеспечивает экономию времени, средств и трудозатрат на производство и скрининг пептидов. Таким образом, наша работа открывает возможности для более быстрого и глубокого изучения конструктивно-функционального разнообразия АМП. Это, как мы надеемся, приведет к увеличению числа открытий и разработок лекарственных препаратов на основе пептидов в будущем.
