Modelo de aprendizado de máquina revela novas oportunidades de design de medicamentos
Relações básicas entre os descritores. Cada ponto de dados representa uma molécula e é projetado no espaço bidimensional de dois descritores conforme mostrado. Algumas das propriedades mais comuns encontradas entre os descritores são:a correlações lineares, b correlações não lineares e c não correlacionadas. Os números em cada um dos painéis são calculados por correlações padrão (ou seja, coeficiente de Pearson), C eu j e correlações de classificação, R eu j . Conforme mostrado, as correlações de classificação capturam melhor o relacionamento não linear mostrado no painel central. Crédito:Química das Comunicações (2024). DOI:10.1038/s42004-024-01161-y Os agentes patogénicos não são nada senão adaptáveis, e a sua capacidade de se protegerem contra os antibióticos representa cada vez mais uma preocupação de saúde pública. Uma equipe de pesquisa liderada pelo Laboratório Nacional de Los Alamos usou o aprendizado de máquina, uma aplicação de inteligência artificial, para identificar propriedades moleculares que poderiam orientar a descoberta de novos tipos de antibióticos, especialmente entre patógenos considerados críticos pela Organização Mundial da Saúde devido ao seu alto teor bacteriano. resistência.
As descobertas foram publicadas na revista Communications Chemistry .
“Alguns patógenos têm propriedades que os tornam muito eficazes na resistência aos antibióticos”, disse Gnana Gnanakaran, cientista de Los Alamos. "A descoberta de compostos específicos capazes de permear e inibir alguns patógenos é um desafio de agulha no palheiro devido à vasta heterogeneidade e profundidade do espaço químico, e à complexidade das interações moleculares através das membranas bacterianas. A abordagem que empregamos é capaz de sondar os perfis de nível molecular específicos da bactéria necessários que podem ser construídos para o desenvolvimento bem-sucedido de medicamentos."
Defesas bacterianas contra antibióticos
As bactérias Gram-negativas têm uma membrana externa menos permeável à ruptura de compostos, como os que compõem os antibióticos, e as bactérias também podem expelir compostos que entram, reduzindo a eficácia de um antibiótico.
Modelos baseados em dados têm potencial para identificar propriedades moleculares que poderiam superar essas defesas bacterianas, mas cálculos precisos para fazer essas determinações são desafiadores e utilizam extensos recursos computacionais. Compostos quimicamente diversos podem conter muitas propriedades relevantes; o estudo conduzido pelo aprendizado de máquina reduziu o espectro relevante dessas propriedades e estabeleceu regras empíricas que preveriam a capacidade do composto de permear a membrana externa da bactéria.
Modelo de aprendizado de máquina identifica propriedades de combate a patógenos
Concentrando-se especificamente na bactéria gram-negativa Pseudomonas aeruginosa, a equipe de pesquisa desenvolveu um modelo de aprendizado de máquina para identificar os descritores relevantes associados aos compostos e prever o sucesso desses compostos em permear as membranas externas das bactérias e evitar a expulsão. A equipe contou com recursos de computação de alto desempenho em Los Alamos para extrair as propriedades moleculares da permeação de simulações que consideraram 1.260 compostos quimicamente diversos à medida que atravessavam a membrana bacteriana.
A sua análise lança nova luz sobre as principais propriedades que os candidatos a medicamentos necessitam para permear eficazmente a Pseudomonas aeruginosa e abre a porta para estudos semelhantes baseados em dados noutros agentes patogénicos gram-negativos.
“As técnicas de aprendizado de máquina que empregamos nesta análise apontam para uma abordagem promissora para estudos semelhantes baseados em dados em outras membranas biológicas, incluindo a barreira hematoencefálica”, disse Gnanakaran.
