Растущая устойчивость бактерий к антибиотикам представляет собой растущий глобальный риск для здоровья. Теперь исследователи из Института наземной микробиологии Макса Планка в Марбурге, Германия, объединили синтетическую биологию и искусственный интеллект (ИИ), чтобы разработать более эффективный подход к поиску и созданию новых антимикробных пептидов, эффективных против широкого спектра бактерий. Их статья опубликована в журнале Nature Communications.
Биоактивные пептиды играют ключевую роль в здравоохранении и медицине. В настоящее время используется более 80 препаратов на основе пептидов, все они выделены из природных источников. Однако, по оценкам, устойчивость к антибиотикам является причиной более 1 миллиона смертей во всем мире каждый год. Ожидается, что к 2050 году это число вырастет до 10 миллионов, что создаст острую потребность в новых методах ускорения разработки новых противомикробных препаратов. Неиспользованный потенциал лежит в неестественном пространстве, где, по оценкам, еще предстоит изучить от 2010 до 2030 различных пептидов.
Трубопровод для новых биоактивных пептидов
В сотрудничестве с несколькими лабораториями Института наземной микробиологии Макса Планка, Марбургского университета, Института биофизики Макса Планка, Института микробиологии Бундесвера, Института iLung и INRAe France, группа ученых Института Макса Планка под руководством Тобиас Эрб создал новый канал разработки биоактивных пептидов.
«При глубоком обучении нейронная сеть — алгоритмы, вдохновленные человеческим мозгом — обучается на больших объемах данных. Этот тип машинного обучения открывает большие перспективы для открытия пептидов и разработки de novo. Однако за ним обычно следует химический синтез пептидов. для экспериментальной проверки, что довольно сложно, отнимает много времени и серьезно ограничивает количество пептидов, которые можно синтезировать химическим путем», — объясняет Амир Панди, ведущий автор исследования.
Чтобы преодолеть эти ограничения, исследовательская группа создала конвейер бесклеточного синтеза белка для быстрого и экономически эффективного производства антимикробных пептидов непосредственно из матриц ДНК. Новый протокол обеспечивает быстрый, недорогой и высокопроизводительный метод скрининга антимикробных пептидов.
Команда сначала использовала генеративное глубокое обучение для разработки тысяч антимикробных пептидов de novo, а затем прогнозирующее глубокое обучение , чтобы сузить их до 500 кандидатов. Среди них скрининг с помощью бесклеточного конвейера выявил 30 функциональных пептидов, которые исследователи дополнительно охарактеризовали с помощью молекулярно-динамического моделирования , антимикробной активности и токсичности.
Широкий спектр действия против патогенов.
Примечательно, что шесть из пептидов de novo проявили активность широкого спектра против патогенов с множественной лекарственной устойчивостью и не развили бактериальную устойчивость. «Мы получили большую выгоду от этой комбинации бесклеточной синтетической биологии, искусственного интеллекта и высокопроизводительного подхода. За счет увеличения числа кандидатов, которые могут быть экспериментально проверены менее чем за 24 часа, увеличились шансы найти активные антимикробные пептиды. », — говорит Панди.
«Таким образом, наш конвейер бесклеточного синтеза белка не только дополняет последние достижения в области вычислительного дизайна. Он также имеет потенциал для более быстрого и экономичного исследования взаимосвязи между дизайном и функцией биоактивных пептидов».
Тобиас Эрб добавляет: «Этот новый метод на стыке синтетической биологии и машинного обучения будет интересен учёным, работающим в области биомедицины и биоактивных пептидов».
Следующие шаги включают дальнейшее повышение выхода производства пептидов, а также использование подходов искусственного интеллекта и синтетической биологии для разработки новых антимикробных пептидов, которые являются более стабильными и менее токсичными, или добавления определенного механизма действия. Исследователи также планируют применить расширенные глубокие генеративные модели, в которых машина изучает молекулярные представления желаемых свойств, что повысит вероятность успеха в идентификации активных кандидатов.
