人工智能工具筛选了1.07亿个分子，发现了有效的新抗生素

机器学习平台已被用于发现新的抗菌化合物。该系统筛选了超过1.07亿种化学结构，发现了9种潜在的抗生素，其中一种抗生素对其测试的97%的耐药细菌显示出效力。

为了解决日益严重的抗生素耐药性危机，合成生物学家和计算机科学家合作开发了一个深度学习平台来预测抗生素活性。特别是，该小组希望发现结构与已知抗生素不同的化合物，以提高它们对抗耐药细菌的成功几率。

麻省理工学院(MIT)的计算机科学家说:“我们想证明这些技术足够强大，可以用来识别治疗分子。”Regina,22他的团队开发了这款机器学习工具。Barzilay和她的同事与合成生物学家的研究人员合作詹姆斯•柯林斯他希望看看人工智能是否可以帮助解决抗生素耐药性的威胁。

柯林斯解释说，机器学习模型是使用2500个分子库进行训练的，其中包括1700种美国食品和药物管理局批准的药物和另外800种天然化合物，这些化合物已经过抗肿瘤活性测试大肠杆菌．

“我们开发的模型学会了将分子转化为连续向量。它首先用一个向量来表示每个原子，这些向量的性质很简单，比如原子的类型，它是否在一个环上等等，”Barzilay说。这是用来建立分子结构的指纹，再加上实验的结果大肠杆菌测试，帮助神经网络“学习”与抗菌活性相关的分子特征。澳门万博公司

抗生素打

该模型随后被应用于布罗德研究所的研究药物再利用中心-拥有超过6000个已知生物活性分子的开放存取库。在麻省理工学院参与该项目的乔纳森·斯托克斯(Jonathan Stokes)解释说:“它包含了药物开发管道中不同位置的化合物。”“因此，它或多或少包含了人类药物药典，以及后期临床前的分子，以及第一阶段、第二阶段和第三阶段的临床试验。”“他们从中发现了一种叫做halicin的化合物，尽管它的化学结构与传统抗生素不同，但它具有惊人的抗生素活性。”

柯林斯说:“Halicin是一种非常有效的新型抗生素，对一系列耐抗生素病原体具有广泛的活性。”“我们将其应用于来自(美国疾病控制中心)的36组不同的耐多药细菌病原体。”而halicin对其中35种有效。”

研究小组随后在两种不同的小鼠模型上测试了halicin。“第一个老鼠模型是一个鲍曼不动杆菌皮肤感染模型，”斯托克斯解释道。答:baumannii它是医学研究人员的一个关键目标，因为它是抗生素抗性基因的储存库，并在表面上长时间存活。斯托克斯说:“因此，我们在老鼠的背部建立了一种感染，然后用halicin局部治疗。”“在24小时内，我们就根除了感染。”

第二种小鼠模型显示halicin能清除a艰难梭状芽胞杆菌四天内肠道感染。

大海捞针

在这一成功之后，该团队将他们的AI技术应用于一个名为ZINC15的数据库。该数据库包含超过15亿种化合物，其中1.07亿种化合物是根据已知的影响生物吸收的物理性质进行筛选的。

基于深度学习工具的预测，研究人员选择了23种化合物进行进一步研究，其中8种化合物对一系列病原体显示出抗菌活性。其中两种化合物显示出对抗一系列耐药的希望大肠杆菌．

伯明翰大学的微生物学家说:“很高兴看到机器学习应用于寻找新的抗生素，同时考虑到[吸附，分布，代谢，排泄]。劳拉Piddock他在全球抗生素研究与发展伙伴关系(Global Antibiotic Research and Development Partnership)负责科学事务。Piddock对halicin的主要数据的证明印象深刻，并强调了它对人类的低毒性预测。

凯蒂·西蒙斯英国利兹大学的虚拟高通量筛查专家，他将halicin的结果描述为“令人震惊”。她补充说:“更令人惊讶的是，深度学习能够从如此庞大的ZINC15数据库子集中选择抗菌化合物。”

西蒙斯说:“不幸的是，对新型抗菌剂的研究在很大程度上已经失去了‘大制药公司’的青睐，但这里描述的方法可能在某种程度上有助于解决我们对新疗法的需求。”

虽然深度学习工具的预测能力令人印象深刻，但Barzilay指出，它仍然需要科学家的知识和经验。Barzilay指出:“这些方法正变得越来越强大，但我们还不能说，硅胶筛查可以完全取代实验性的高通量筛查。”“即使你的预测器不完美，但它仍然有助于发现你可以利用的有趣模式和相关性。”但要做到这一点，你需要药物化学家和生物学家的知识。”

Barzilay补充说，进一步的工作正在进行中，以提高深度学习工具预测的准确性。她的团队还在开发可以在初始筛选之外使用的人工智能方法，这样在识别出先导分子后，模型就会提出可以提高其生物活性的修改建议。与此同时，Collins的实验室的目标是完成halicin的临床前工作，然后可能与工业界合作，将其纳入临床试验。