Новости

Исследователи выявили ранее не известный класс антител, которые, как оказалось, способны нейтрализовать несколько форм вируса гриппа.     Результаты исследования, которые могут способствовать разработке вакцин против гриппа с более широким спектром защиты, были опубликованы Холли Симмонс из Медицинской школы Питтсбургского университета и ее коллегами в журнале PLOS Biology.    Вакцина против гриппа побуждает иммунную систему вырабатывать антитела, которые могут связываться с вирусным белком гемагглютинином на внешней стороне вируса гриппа, блокируя его проникновение в клетки человека. Различные антитела по-разному связываются с разными частями гемагглютинина, а сам гемагглютинин со временем эволюционирует, что приводит к появлению новых штаммов гриппа, способных уклоняться от старых антител. Каждый год предлагаются новые вакцины против гриппа, основанные на прогнозах относительно того, какие штаммы будут наиболее распространенными. Масштабные исследования прокладывают путь к созданию вакцин против гриппа, которые будут лучше защищать сразу от нескольких штаммов. Многие ученые сосредоточены на антителах, способных одновременно защищать от подтипов гриппа H1 и H3, которые вызывают широкое распространение инфекции.    Симмонс и коллеги обратили внимание на небольшое изменение, обнаруженное в некоторых штаммах H1 в последовательности строительных блоков, составляющих гемагглютинин. Определенные антитела, способные нейтрализовать H3, могут нейтрализовать и H1, но не в том случае, если его гемагглютинин имеет это изменение, известное как вставка 133a. В результате серии экспериментов, проведенных с образцами крови пациентов, исследователи выявили новый класс антител, способных нейтрализовать как некоторые штаммы H3, так и некоторые штаммы H1 со вставкой 133a или без нее. Отличительные молекулярные характеристики отличают эти антитела от других антител, способных перекрестно нейтрализовать штаммы H1 и H3 другими способами.    Данное исследование расширяет список антител, которые потенциально могут способствовать разработке вакцины против гриппа, обеспечивающей более широкую защиту благодаря целому ряду молекулярных механизмов. Оно также дополняет растущее число доказательств в пользу отказа от вакцин против гриппа, производимых с использованием куриных яиц - в настоящее время это наиболее распространенный способ производства.    Авторы добавляют: "Нам нужны ежегодные вакцины против вируса гриппа, чтобы идти в ногу с продолжающейся эволюцией вируса. Наша работа показывает, что барьеры для создания более широкого защитного иммунитета могут быть удивительно незначительными. При правильной серии вакцинаций у человека может сформироваться надежный ответ антител, нейтрализующий дивергентные вирусы H1N1 и H3N2, что открывает новые возможности для разработки улучшенных вакцин".

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.