Новости

Искусственный интеллект (ИИ) помог проанализировать миллионы химических соединений, чтобы найти класс антибиотиков, способных убивать два разных типа бактерий, резистентных к антибиотикам.    Испытания на мышах показали, что новые антибиотические соединения оказались перспективными для лечения метициллин-резистентного Staphylococcus aureus (MRSA) и ванкомицин-резистентного энтерококка. "Наши модели [ИИ] говорят нам не только о том, какие соединения обладают избирательной антибиотической активностью, но и почему, с точки зрения их химической структуры", - рассказывает соавтор статьи Феликс Вонг из Массачусетского технологического института.    Вонг и его коллеги поставили перед собой задачу показать, что поиск лекарств с помощью искусственного интеллекта может не ограничиваться определением конкретных мишеней, с которыми могут связываться молекулы лекарств, а предсказывать биологическое действие целых классов лекарственных соединений. Сначала они проверили воздействие более 39 000 соединений на золотистый стафилококк и три типа человеческих клеток - из печени, скелетных мышц и легких. Полученные результаты были использованы в качестве обучающих данных для моделей ИИ, которые анализировали закономерности в химических связях каждого соединения. Это позволило ИИ предсказать как антибактериальную активность таких соединений, так и их потенциальную токсичность для клеток человека. Felix Wong et al. Открытие структурного класса антибиотиков с помощью объясняющего глубинного обучения (аннотация).    Открытие новых структурных классов антибиотиков срочно необходимо для решения продолжающегося кризиса антибиотикорезистентности. Подходы на основе глубинного обучения помогают исследовать химические пространства, но они, как правило, используют модели "черного ящика" и не обеспечивают понимания.     В данном исследовании мы предположили, что химические подструктуры, связанные с активностью антибиотиков, изученные с помощью нейросетевых моделей, могут быть идентифицированы и использованы для прогнозирования структурных классов антибиотиков. Мы проверили эту гипотезу, разработав объяснимый, основанный на подструктурах подход для эффективного исследования химических пространств с помощью глубинного обучения.     Мы определили антибиотическую активность и профили цитотоксичности клеток человека для 39 312 соединений и применили совокупность графовых нейронных сетей для предсказания антибиотической активности и цитотоксичности для 12 076 365 соединений. Используя алгоритмы объясняемых графов, мы определили основанные на субструктурах обоснования для соединений с высокой прогнозируемой антибиотической активностью и низкой прогнозируемой цитотоксичностью.     Нами было эмпирически протестировано 283 соединения и обнаружено, что соединения, проявляющие антибиотическую активность против Staphylococcus aureus, были обогащены предполагаемыми структурными классами, вытекающими из обоснований. Из этих структурных классов соединений одно оказалось селективным в отношении метициллин-резистентного S. aureus (MRSA) и ванкомицин-резистентных энтерококков, избегало развития выраженной резистентности и снижало титры бактерий в мышиных моделях кожной и системной инфекции, вызванной MRSA.     Наш подход позволяет открывать структурные классы антибиотиков с помощью глубинного обучения и демонстрирует, что модели машинного обучения при поиске лекарственных препаратов способны быть объяснимыми, давая представление о химических структурах, лежащих в основе селективной активности антибиотиков.

Кроме кишечника, ни один орган не подвержен более прямому влиянию состава кишечного микробиома, чем печень.     Воротная вена, по которой питательные вещества, всасываемые из кишечника, поступают в печень, также доставляет непосредственно в печень микробов, микробные компоненты и продукты микробного метаболизма.Трансплантация печени (ТП), являющаяся радикальным методом лечения заболеваний печени в конечной стадии, осложняется высоким уровнем инфекций, которые связывают с микробиомом кишечника.    Проспективное исследование пациентов, перенесших ТП, показало, что большинство из них были колонизированы организмами с множественной лекарственной резистентностью (MDRO), что ассоциировалось с повышенным уровнем инфекций MDRO. Последующее исследование показало, что колонизация MDRO ассоциировалась со снижением разнообразия микробиоты, определенного с помощью секвенирования генов 16S рРНК. Кроме того, большое исследование, проведенное в Нидерландах, показало повышенную смертность среди пациентов, перенесших трансплантацию печени, с низким разнообразием микробиома кишечника. Вопрос о том, влияет ли функция кишечного микробиома, определяемая по продуктам метаболизма, на описанные исходы при ТП, остается во многом неизученным.    Потеря разнообразия микробиома связана с инфекциями после трансплантации гемопоэтических стволовых клеток (HCT), а состав микробиома влияет на реакцию на иммунотерапию рака и восприимчивость к инфекции Clostridioides difficile (CDI). Экспериментальные исследования на мышах показали, что метаболиты, продуцируемые микробиомом, такие как короткоцепочечные жирные кислоты (КЦЖК) и вторичные варианты желчных кислот, влияют на иммунную защиту слизистой оболочки и целостность эпителия. Профилирование метаболитов фекалий также, хотя и в более ограниченной степени, коррелировало метаболиты, продуцируемые микробиомом, с предрасположенностью к заболеваниям. Например, снижение концентрации вторичных желчных кислот в кале коррелирует с развитием CDI, а снижение концентрации бутирата в кале - с прогрессированием респираторной вирусной инфекции у пациентов после аллогенной HCT. Профилирование метаболитов кала также выявило пациентов с COVID-19 с повышенным риском прогрессирования дыхательной недостаточности и смерти.    Концентрация метаболитов в кале варьирует между человеческими популяциями, живущими в промышленно развитых и неиндустриальных странах, и коррелирует с различными диетами. Метаболомы кала также коррелируют с синдромом раздраженного кишечника и дифференцируют пациентов с болезнью Крона от больных целиакией. Профилирование метаболитов показало, что терапевтическое восстановление микробиома при рецидивирующей инфекции C. difficile приводит к восстановлению соотношения первичных и вторичных желчных кислот в кале до нормального уровня. Недавно проведенный крупномасштабный метаболомный анализ кала выявил более 300 молекул, производимых микробиомом, которые различаются у пациентов с воспалительными заболеваниями кишечника и без них, и показал, что состав микробиома может предсказать метаболом кала.    Чтобы соотнести концентрацию метаболитов с составом фекальной микробиоты, распространением MDRO и инвазивной инфекцией, мы провели проспективное исследование среди реципиентов трансплантата печени. Мы продемонстрировали, что концентрация КЦЖК, вторичных желчных кислот, витаминов группы В и других метаболитов позволила выявить пациентов с сохраненным разнообразием фекального микробиома, сниженной плотностью колонизации патобионтами и уменьшенной частотой послеоперационных инфекций. Обогащение подмножества метаболитов и вторичных желчных кислот в образцах кала, полученных от пациентов с частичной потерей разнообразия микробиома, предполагает, что неполноценные метаболические сети приводят к накоплению промежуточных метаболитов.     В соответствии с экспериментальными исследованиями, указывающими на связь метаболитов, продуцируемых микробиомом, с антимикробной защитой, опосредованной хозяином, снижение концентрации в кале жирных кислот с короткой и разветвленной цепью, вторичных желчных кислот и метаболитов триптофана коррелирует с дисбиозом микробиома у пациентов, перенесших ТП, и относительным риском развития послеоперационной инфекции. Мы провели количественную оценку метаболитов кала у 107 пациентов, перенесших ТП, и соотнесли их с составом фекального микробиома, распространением патобионтов и послеоперационными инфекциями. Полученные нами результаты свидетельствуют о том, что профилирование метаболитов кала позволяет выявить пациентов, перенесших ТП, с повышенным риском послеоперационной инфекции и может послужить ориентиром для микробиом-направленной терапии.