Искусственный интеллект для поиска новых антибиотиков
Исследователи из Университета Пенсильвании разработали инструмент искусственного интеллекта (ИИ) для ускоренного поиска новых кандидатов в антибиотики, что является критически важным для борьбы с растущим глобальным кризисом антибиотикорезистентности, вызывающим около 4.95 миллионов смертей в год.
Проблема и подход
Традиционные методы разработки новых доклинических кандидатов в антибиотики занимают около шести лет, являются трудоемкими и дорогими. Команда под руководством профессора Сезара де ла Фуэнте поставила задачу: можно ли использовать машины для ускорения открытия антибиотиков, анализируя мировые биологические данные?
Эволюция метода: от белков к протеомам
Исследователи начали с алгоритмов, способных анализировать отдельные белки для поиска антимикробных молекул в их аминокислотных последовательностях. С ростом вычислительной мощности они перешли к анализу целых протеомов (всех белков, кодируемых геномом организма). Это привело к открытию тысяч новых молекул в протеоме человека, а затем и у древних гоминидов — неандертальцев и денисовцев.
Молекулярное «воскрешение» и модель APEX
Развитием этого подхода стала концепция «молекулярного воскрешения» — поиск терапевтических молекул в геномах вымерших организмов. В новом исследовании, опубликованном в Nature Biomedical Engineering, команда представила глубокую обучающуюся модель Antibiotic Peptide de-Extinction (APEX).
- Масштаб данных: APEX способна анализировать сотни протеомов на протяжении эволюционной истории, включая таких вымерших животных, как шерстистые мамонты, прямобивневые слоны, морские коровы и гигантские олени.
- Архитектура: Модель использует комбинацию рекуррентных нейронных сетей (для обработки последовательностей, таких как белки) и сетей внимания (для выделения специфических частей структуры белка, связанных с антимикробной активностью).
- Качество данных: Ключевым этапом стало создание высокостандартизированного набора данных для обучения, что решает проблему несистематичности существующих данных в этой области.
Результаты и эффективность
APEX продемонстрировала значительно лучшую предсказательную активность по сравнению с эталонными моделями.
- Модель проанализировала 10 311 899 пептидов.
- Было идентифицировано 37 176 последовательностей с предсказанной широкоспектральной антимикробной активностью, из которых 11 035 не были обнаружены у современных организмов.
- Некоторые из этих пептидов показали эффективность в доклинических моделях инфекции на мышах, что является жизненно важным шагом на пути к потенциальным клиническим испытаниям.
- Многие древние пептиды обладали новым механизмом действия — деполяризацией клеточной мембраны бактерий, что указывает на новую парадигму в борьбе с инфекциями.
Значение
Работа, выполненная лабораторией де ла Фуэнте за последние пять лет, кардинально ускорила процесс открытия антибиотиков. То, что раньше занимало годы кропотливого труда традиционными методами, теперь можно сделать за несколько часов с помощью ИИ, открывая новую эру в открытии антибиотиков.