內容一覽：鮑曼不動桿菌是一種常見的醫院獲得性革蘭氏陰性病原體，通常表現出多重耐藥性。利用傳統方法，發現抑制此菌的新型抗生素很困難。但利用機器學習可以快速探索化學空間，從而增加發現新型抗菌分子的可能性。近期，國際期刊《Nature Chemical Biology》上發佈了一篇研究成果，研究人員發現 abaucin 能夠有效地抑制鮑曼不動桿菌。
關鍵詞：鮑曼不動桿菌 abaucin 深度學習
作者 | daserney
編輯 | 三羊
鮑曼不動桿菌（學名：Acinetobacter baumannii，俗稱：AB 菌）為不動桿菌屬中最常見的一種革蘭陰性桿菌，廣泛存在於自然界的水及土壤中，也存在於正常人體皮膚、呼吸道、消化道和泌尿生殖道中。該菌常見於醫院感染，也是水產養殖業動物的病原菌，通常會引起菌血症、肺炎、腦膜炎、腹膜炎、心內膜炎以及泌尿道和皮膚感染。
鮑曼不動桿菌對溼熱、紫外線、化學消毒劑有較強的抵抗力，耐低溫。在乾燥的物體表面可以存活 25 天以上，常規消毒劑只能抑制其生長，不能殺滅，而且耐受肥皂，是醫務人員手上、醫療器械、物體表面最常分離到的革蘭陰性桿菌。由於抗生素的濫用，鮑曼不動桿菌產生多重抗藥性，被世界衛生組織認定為世界上最危險的耐抗生素細菌之一。
近期，來自麥克馬斯特大學 (McMaster University) 的 Gary Liu 以及來自麻省理工學院 (Massachusetts Institute of Technology) 的 Denise B. Catacutan 等研究人員利用深度學習篩選了大約 7,500 個分子，找出了抑制鮑曼不動桿菌的新型抗生素。目前，該研究已發佈在《Nature Chemical Biology》期刊上，標題為「Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii」。
該研究成果已發表在《Nature Chemical Biology》期刊上
論文地址：
https://www.nature.com/articles/s41589-023-01349-8#access-options
實驗過程
資料集
研究人員基於鮑曼不動桿菌 ATCC 17978 在 LB 培養基中的生長，對 7,684 個小分子進行了篩選。這些小分子包括 2,341 個非專利藥物和 5,343 個合成化學物，都是由 Broad 研究所的高通量篩選子庫提供的。根據傳統的命中率分界線（即與整個資料集的平均生長抑制率相比低於一個標準差的分子），他們確定了 480 個分子為「活性」，而 7,204 個分子為「非活性」。
模型訓練
為了增強模型結構，研究人員將分子表徵與使用 RDCit 計算的 200 個額外的分子級特徵連接起來。此外，為了進一步提高模型的性能，研究人員使用了一個由 10 個模型組成的集合，對 7,684 個分子的訓練資料集（有 ~6.2% 的有效例子）進行模型建立和訓練，並將模型應用於更新的藥物再利用中心 (Drug Repurposing Hub)。研究人員把資料集隨機分成 80% 的訓練資料、10% 的驗證資料和 10% 的測試資料。
圖 1：模型訓練資料
a.7,684 個小分子的初步篩選資料，這些小分子在 50 μM 的 LB 培養基中抑制鮑曼不動桿菌 ATCC 17978 的生長。
b.從預測集中選擇用於驗證的 240 個優先分子的排序生長抑制資料（上）；預測得分最低的 240 個預測分子的排序生長抑制資料（中）；訓練資料集中未找到的具有最高預測分數的 240 個預測分子的排序生長抑制資料（底部）。水平虛線代表 50 μM 時 >80% 生長抑制的嚴格命中截止值。
c.鮑曼不動桿菌在 LB 培養基中被 abaucin（藍色）和 serdemetan（紅色）抑制生長。
d.用不同濃度的 abaucin 處理 6 小時後鮑曼不動桿菌細胞的生長動力。
程式碼獲取：
https://github.com/chemprop/chemprop
小鼠模型實驗
研究人員對 6 至 8 周大的雌性 C57BL/6N 小鼠進行了預處理，在實驗開始前四天和前一天分別按體重注射了 150 mg/kg 及 100 mg/kg 的環磷醯胺，使小鼠中性粒細胞減少。在第 0 天，用異氟醚對小鼠進行麻醉，並以 0.1 mg/kg 的劑量對小鼠進行腹腔注射丁丙諾啡作為止痛劑。研究人員用大約 30-35 片高壓膠布在小鼠背上留下 2 平方釐米的擦傷，通過膠布剝離到表皮基底層，隨即使用 ~6.5 x 106 CFU A. baumannii ATCC 17978 感染小鼠。小鼠 (n = 5/6) 在感染後 1、2、3、4、6、10、21 和 24 小時用 ~10-20 μl 帶有 abaucin 的 Glaxal Base (實驗組) 或 DMSO (對照組) 治療。
實驗結果
研究人員在機器學習的幫助下發現了一種名為 abaucin 的抗菌化合物，它具有針對鮑曼不動桿菌的窄譜活性，能夠通過干擾 LolE 的機制來干擾類脂蛋白的轉運過程。下圖顯示了深度學習引導發現 abaucin 的過程。
圖 2：機器學習引導發現 abaucin
a.篩選的 ~7,500 個分子（藍色）；用該生長抑制資料集訓練的定向資訊傳遞的深度神經網路，並在藥物再利用中心進行預測（紅色）；能夠抑制鮑曼不動桿菌的新分子（紫色）。
b.7,684 個小分子集合在 50 μM 時對鮑曼不動桿菌 ATCC 17978 的生長抑制。
c.訓練後的模型對藥物再利用中心內的分子進行的預測分數排序。預測分數大於 0.2 的分子為初步候選分子。
d.A t-SNE 圖顯示了訓練資料集（藍色）、預測集（紅色）和 abaucin（黃色）之間的化學關係。
e.abaucin 在 LB 培養基中對鮑曼不動桿菌的生長抑制。
f.abaucin 在營養豐富的條件下以不同濃度培養 1.5 小時（藍色）、3 小時（藍綠色）、4.5 小時（綠色）和 6 小時（紫色）後對鮑曼不動桿菌的殺傷力。
g.abaucin 在營養不足的條件下培養 1.5 小時（藍色）、3 小時（藍綠色）、4.5 小時（綠色）和 6 小時（紫色）後對鮑曼不動桿菌的殺傷力。
如圖 2 所示，研究人員篩選了大約 7,500 個分子，利用這個生長抑制資料集訓練了一個神經網路，並對能夠抑制鮑曼不動桿菌活性的新型分子進行了預測。總的來說，這些資料表明，abaucin 通過抑制一種在生長和分裂期間活性最大的生物過程而發揮其抗菌效力，與大多數已知的抗生素一致。
此外，為了測試 abaucin 的體內功效，研究人員在小鼠的背面建立了傷口感染。
圖 3：abaucin 可以抑制傷口模型中的鮑曼不動桿菌感染
a.在背部傷口感染模型中，小鼠感染鮑曼不動桿菌 ATCC 17978 (~6.5 x 106 CFU)。感染 1 小時後，用 DMSO（紅色；n = 6）或 4% abaucin（藍色；n = 6）治療小鼠 24 小時以上。縱軸是感染後 25 小時傷口組織的細菌負荷。Pre-Tx 代表初始治療時的細菌負荷 (n = 5)。黑線代表平均值 ±s.d。NS 表示無統計學意義；** P 0.005 使用未配對的兩側 t 檢驗和 Welch 校正（Pre-Tx 與 4% abaucin 相比，P= 0.0704；Pre-Tx 與 DMSO 相比，P= 0.0034；DMSO 與 4% abaucin 相比，P= 0.0039）。
p.s. 一般一個星號代表 p 值小於 0.05，兩個星號代表 p 值小於 0.01，三顆星代表 p 值小於 0.001。p 值越小，顯著性越強。
b.感染前 (t = 0)、用 DMSO 處理 24 小時後以及用 abaucin 處理 24 小時後的小鼠背表面圖像。在 DMSO 中觀察到的炎症 (箭頭) 在用 abaucin 處理的小鼠中不存在。
圖 3 顯示，使用 abaucin 進行治療後的傷口細菌負荷明顯低於 DMSO 組，且在用 DMSO 處理 24 小時後仍存在的傷口炎症在 abaucin 中消失了，abaucin 能夠有效地控制鮑曼不動桿菌的感染。
綜上，研究人員利用深度學習發現 abaucin 能夠有效控制鮑曼不動桿菌感染，這項研究強調了機器學習在發現新抗生素方面的作用，並引導了具有挑戰性的革蘭陰性病原體研究。
AI 改變傳統新藥發現方式
值得注意的是，本研究為麥克馬斯特大學助理教授 Jon Stokes 與 MIT 醫學工程和科學教授 James J. Collins、麥克馬斯特大學研究生 Gary Liu 及 Denise Catacutan 等人一起開展的。Jon Stokes、Gary Liu 與 Denise Catacutan 皆為 Stokes Laboratory 的成員。
Stokes Laboratory 地址：
https://www.thestokeslab.com/projects
該實驗室通過利用最先進的高通量生物學和當代人工智慧方法來發現新型抗生素。具體而言，研究人員通過訓練深度學習模型從龐大的計算機模擬資料庫中預測新型抗生素，還建立模型來預測新抗生素的作用機制和體內特性。他們利用機器學習來加速新型抗生素的發現進程，同時降低研發成本。
Stokes 教授曾在一次採訪中說到「人工智慧將從根本上改變新藥發現方式」。研究結果表明，人工智慧對發現針對多種具有挑戰性病原體的新型抗生素具有重大意義，這種方法在尋找其他抗菌療法方面也具有潛力。人工智慧雖然不能解決所有問題，但作為一種強大的工具，它可以幫助我們尋找新藥，為人們帶來希望。
參考文章：
[1]http://ccm.dxy.cn/article/805579 [2]https://zh.wikipedia.org/wiki/%E9%AE%91%E6%B0%8F%E4%B8%8D%E5%8B%95%E6%A1%BF%E8%8F%8C [3]https://www.ctvnews.ca/health/scientists-use-ai-to-discover-antibiotic-for-very-difficult-to-treat-bacteria-1.6411927