Дослідники МТІ знайшли новий клас кандидатів на антибіотики за допомогою глибинного навчання

Стійкість до антибіотиків є критичною проблемою, що вимагає нестандартних рішень для відкриття нових препаратів. У своїй розробці вчені використали глибинне навчання, застосовуючи відкриту комп’ютерну модель, навчену на великих наборах даних, для ідентифікації хімічних структур з потенційними антибіотичними властивостями.

Традиційно моделі глибокого навчання працюють як чорні скриньки, яким бракує прозорості. На противагу цьому, цей метод призначений для надання хімічних знань шляхом ідентифікації субструктур, пов’язаних з антибіотичною активністю, які вивчаються нейромережевими моделями. Цей метод, заснований на виявленні субструктур, є ефективним засобом глибокого дослідження хімічних просторів, керованого процесом глибокого навчання.

Програма пройшла ретельне тестування на базі даних, що містить понад 12 мільйонів комбінацій, і успішно ідентифікувала структури з потужними антибіотичними властивостями, мінімізуючи при цьому шкоду для клітин людини. Зокрема, цей підхід дозволив виявити нові класи антибіотиків з винятковою ефективністю проти стійких бактерій, резистентних до звичайних антибіотиків.

По суті, цей революційний підхід використовує інтелектуальні обчислювальні моделі, які просіюють широкий спектр хімічних речовин, визначаючи перспективні кандидати в антибіотики та пояснюючи причини їхнього вибору. На відміну від традиційних методів, цей спосіб допомагає дослідникам знайти потенційні рішення і дає уявлення про хімічні структури, які лежать в основі селективної антибіотичної активності.

Цей метод продемонстрував свою ефективність на тлі нагальної потреби в нових структурних класах антибіотиків для подолання резистентності мікроорганізмів до антибіотиків. Використовуючи зрозумілі графові алгоритми, дослідники визначили субструктурні обґрунтування для сполук з високою прогнозованою антибіотичною активністю та низькою прогнозованою цитотоксичністю. Емпіричне тестування 283 сполук підтвердило ефективність цього підходу, особливо для сполук, що виявляють антибіотичну активність проти золотистого стафілококу.

Значення цього підходу полягає в тому, що він може допомогти у відкритті структурних класів антибіотиків на основі глибокого навчання. Крім того, він встановлює, що моделі машинного навчання у відкритті ліків можна пояснити, надаючи цінну інформацію про хімічні субструктури, які сприяють селективній антибіотичній активності. Цей прорив дає надію на подолання кризи антибіотикорезистентності та ефективне збереження здоров’я населення.