ApexGO:人工智能驱动的抗生素快速发现新策略

抗生素发现


图注:宾夕法尼亚大学服务器机房中展示的研究人员利用AI生成的抗菌肽3D打印模型。[Sylvia Zhang,宾夕法尼亚大学工程学院]

全球范围内抗生素耐药性问题持续加剧,亟需更快速、更可靠的抗菌候选分子设计策略。尽管人工智能驱动的方法已显著加快了抗菌药物研发进程,但现有方法大多聚焦于固定化合物库筛选,或是生成宽泛的候选分子集。

近期,宾夕法尼亚大学的研究团队开发了新型人工智能工具ApexGO,该方法以少量候选分子为起点进行迭代优化,通过预测算法评估每一处分子修饰的效果并指导后续优化方向。

宾夕法尼亚大学工程与应用科学学院校长特聘副教授César de la Fuente博士表示:“抗生素研发本质上是在广袤的分子空间中进行搜索的问题,ApexGO为我们提供了更具导向性的分子空间导航路径。”

这项研究成果发表于《自然·机器智能》(Nature Machine Intelligence),论文标题为《用于肽类抗生素优化的生成式人工智能方法》。

宾夕法尼亚大学计算机与信息科学系助理教授Jacob R. Gardner博士指出:“ApexGO的预测结果在真实实验中得到验证是最令人惊喜的。由于ApexGO是基于另一项计算机模型开展优化,此前研究人员担心其筛选出的分子仅在模型层面表现优异,却在实验室验证中失效。但最终结果显示,ApexGO设计的分子绝大多数都具备实际抗菌活性。”

实验数据显示,AI生成的分子中有85%可抑制细菌生长,72%的分子抗菌活性优于其母本肽。在小鼠模型中,ApexGO生成的两种抗菌肽的细菌载量降低效果与临床抗生素多粘菌素B相当。

de la Fuente补充道:“这一成果预示着未来我们可在极短时间内针对所需功能优化分子,借助机器的指引探索人类通过试错法无法覆盖的巨大化学空间。”

多年来,de la Fuente实验室一直从非传统来源中筛选抗生素候选分子,包括青蛙分泌物、远古微生物等。两年前,该团队发布了APEX人工智能模型,可预测给定肽段具备抗菌活性的概率。

佩雷尔曼医学院精神病学研究助理教授Marcelo Torres博士表示:“APEX模型帮助我们在庞大的生物数据集中筛选出具有潜力的抗生素候选分子,而ApexGO则实现了下一步突破:在获得潜力分子后,它可指导我们如何进一步优化其性能。”

ApexGO全称为APEX生成式优化工具(APEX Generative Optimization),其功能分为两部分:一部分提出分子修饰方案,已发表的APEX模型则负责预测这些修饰是否能提升抗菌活性,随后ApexGO基于预测结果指导下一轮的分子修饰迭代。

尽管ApexGO提出的部分分子已展现出优异的抗菌活性,研究人员强调,即便是表现最优的肽段目前也仍处于早期候选阶段。若要应用于人类感染治疗,还需针对安全性、稳定性以及体内活性维持时间进行进一步优化。

尽管如此,本研究已证实人工智能可帮助研究人员在前期阶段判断哪些分子值得合成与验证。de la Fuente认为,这一策略的应用范围最终可拓展至抗生素领域之外:“本研究中我们针对抗菌活性优化肽段,而这一思路同样可应用于其他功能肽的研发,比如免疫调节肽、肿瘤靶向肽等。”

de la Fuente补充道:“ApexGO的问世证明人工智能不仅能预测哪些分子可能具备活性,更能帮助我们对其进行优化。在全球抗生素耐药性持续加剧的当下,我们需要能加快从概念到真实治疗候选分子转化进程的技术,ApexGO正是迈向这一未来的重要一步。”


专业注释

  1. 多粘菌素B:多肽类抗生素,多用于耐药革兰阴性菌感染治疗
  2. 抗菌肽:具抗菌活性的短肽,为新型抗生素研发核心方向之一
  3. 生成式优化:AI通过迭代生成-评估-筛选实现目标优化的策略

特别声明

1、本页面内容包含部分的内容是基于公开信息的合理引用;引用内容仅为补充信息,不代表本站立场。

2、若认为本页面引用内容涉及侵权,请及时与本站联系,我们将第一时间处理。

3、其他媒体/个人如需使用本页面原创内容,需注明“来源:[生知库]”并获得授权;使用引用内容的,需自行联系原作者获得许可。

4、投稿及合作请联系:info@biocloudy.com。