Patogeni nisu ništa ako nisu prilagodljivi, a njihova sposobnost da se zaštite od antibiotika sve više predstavlja zabrinutost za javno zdravlje. Istraživački tim predvođen Nacionalnom laboratorijom Los Alamosa koristio je mašinsko učenje, primenu veštačke inteligencije, da identifikuje molekularna svojstva koja bi mogla da usmere otkrivanje novih vrsta antibiotika, posebno među patogenima koje Svetska zdravstvena organizacija smatra kritičnim zbog njihove visoke bakterijske prisutnosti. otpor.
Nalazi su objavljeni u časopisu Communications Chemistry.
„Neki patogeni imaju svojstva koja ih čine veoma efikasnim u otpornosti na antibiotike“, rekla je Gnana Gnanakaran, naučnica iz Los Alamosa. „Otkriće specifičnih jedinjenja sposobnih da prožimaju i inhibiraju neke patogene je izazov igla u plastu sena zbog ogromne heterogenosti i dubine hemijskog prostora, i složenosti molekularnih interakcija kroz bakterijske membrane. Pristup koji koristimo je sposoban da ispita profile na molekularnom nivou specifične za bakterije koji su neophodni za uspešan razvoj lekova.“
Gram-negativne bakterije imaju spoljnu membranu koja je manje propusna za jedinjenje, kao što su ona koja čine antibiotike, a bakterije takođe mogu izbaciti jedinjenja koja slučajno uđu unutra, smanjujući efikasnost antibiotika.
Modeli vođeni podacima imaju potencijal da identifikuju molekularna svojstva koja bi mogla da prevaziđu takvu odbranu bakterija, ali tačne kalkulacije za donošenje tih odluka predstavljaju izazov i koriste opsežne računarske resurse. Hemijski različita jedinjenja mogu sadržati mnoga relevantna svojstva; studija vođena mašinskim učenjem smanjila je relevantan spektar tih svojstava i uspostavila empirijska pravila koja bi predvidela sposobnost jedinjenja da prožima spoljašnju membranu bakterije.
Fokusirajući se posebno na gram-negativne bakterije Pseudomonas aeruginosa, istraživački tim je razvio model mašinskog učenja kako bi identifikovao relevantne deskriptore povezane sa jedinjenjima i predvideo uspeh tih jedinjenja u prožimanju spoljašnjih membrana bakterija i izbegavanju izbacivanja. Tim se oslanjao na računarske mogućnosti visokih performansi u Los Alamosu kako bi izvukao molekularne osobine permeacije iz simulacija koje su razmatrale 1.260 hemijski različitih jedinjenja dok prolaze kroz bakterijsku membranu.
Njihova analiza baca novo svetlo na ključna svojstva koja su potrebna kandidatima za lek da efikasno prožimaju Pseudomonas aeruginosa, i otvara kapiju sličnim studijama zasnovanim na podacima o drugim gram-negativnim patogenima.
„Tehnike mašinskog učenja koje smo koristili u ovoj analizi ukazuju na obećavajući pristup za slične studije zasnovane na podacima u drugim biološkim membranama, uključujući krvno-moždanu barijeru“, rekao je Gnanakaran.
