» Håll dig ajour kring AI · En AI-skapad och ständigt föränderlig nyhetstidning om AI. Idag har vår robot sammanfattat 216 nyhetshändelser. Upptäck gärna vår kurs AI på jobbet förresten. «
Maskininlärning och genetisk screening kan hjälpa till att bekämpa antibiotikaresistens
Mänsklighetens historia förändrades för alltid med upptäckten av antibiotika 1928. Infektionssjukdomar som lunginflammation, tuberkulos och sepsis var utbredda och dödliga tills penicillin gjorde dem behandlingsbara. Men antibiotika har en inneboende varning: När de överanvänds kan bakterier utveckla resistens mot dessa läkemedel. Världshälsoorganisationen uppskattade att dessa superbuggar orsakade 1,27 miljoner dödsfall runt om i världen 2019 och kommer sannolikt att bli ett ökande hot mot den globala folkhälsan de kommande åren. I vår nyligen publicerade forskning har mina kollegor och jag utvecklat en ny maskininlärningsmetod som inte bara identifierade hur icke-antibiotika dödar bakterier utan också kan hjälpa till att hitta nya bakteriella mål för antibiotika. Mycobacterium tuberculosis är en av många mikrobiella arter som har utvecklat resistens mot flera antibiotika. Nya sätt att döda bakterier Många forskare och läkare runt om i världen tacklar problemet med läkemedelsresistens, inklusive jag och mina kollegor i Mitchell Lab vid UMass Chan Medical School. Vi använder bakteriers genetik för att studera vilka mutationer som gör bakterier mer resistenta eller mer känsliga för läkemedel. När mitt team och jag lärde oss om den utbredda antibakteriella aktiviteten hos icke-antibiotika, konsumerades vi av den utmaning det utgjorde: att lista ut hur dessa läkemedel dödar bakterier. För att besvara denna fråga använde jag en genetisk screeningteknik som mina kollegor nyligen utvecklade för att studera hur anticancerläkemedel riktar sig mot bakterier. Denna metod identifierar vilka specifika gener och cellulära processer som ändras när bakterier muterar. Övervakning av hur dessa förändringar påverkar överlevnaden av bakterier gör att forskare kan härleda de mekanismer som dessa läkemedel använder för att döda bakterier. Jag samlade in och analyserade nästan 2 miljoner instanser av toxicitet mellan 200 läkemedel och tusentals mutanta bakterier. Med hjälp av en maskininlärningsalgoritm som jag utvecklade för att härleda likheter mellan olika läkemedel, grupperade jag läkemedlen tillsammans i ett nätverk baserat på hur de påverkade de mutanta bakterierna. Mina kartor visade tydligt att kända antibiotika var tätt grupperade tillsammans av sina kända klasser av dödsmekanismer. Till exempel var alla antibiotika som riktar sig mot cellväggen - det tjocka skyddande lagret runt bakterieceller - grupperade tillsammans och väl separerade från antibiotika som stör bakteriernas DNA-replikation. Intriguingly, när jag lade till icke-antibiotika läkemedel till min analys, bildade de separata nav från antibiotika. Detta indikerar att icke-antibiotika och antibiotika läkemedel har olika sätt att döda bakterieceller. Medan dessa grupperingar inte avslöjar hur varje läkemedel specifikt dödar antibiotika, visar de att de som klusteras tillsammans sannolikt fungerar på liknande sätt. Det sista biten av pusslet - om vi kunde hitta nya läkemedelsmål i bakterier för att döda dem - kom från forskningen av min kollega Carmen Li. Hon odlade hundratals generationer av bakterier som utsattes för olika icke-antibiotika läkemedel som normalt föreskrivs för att behandla ångest, parasitinfektioner och cancer. Sekvensering av bakteriernas genomer som utvecklats och anpassats till närvaron av dessa läkemedel tillät oss att peka på det specifika bakteriella proteinet som triclabendazol - ett läkemedel som används för att behandla parasitinfektioner - riktar sig till att döda bakterierna. Viktigt är att nuvarande antibiotika inte vanligtvis riktar sig mot detta protein. Dessutom fann vi att två andra icke-antibiotika som använde en liknande mekanism som triclabendazol också riktar sig mot samma protein. Detta visade kraften i mina läkemedelslikhetskartor för att identifiera läkemedel med liknande dödsmekanismer, även när den mekanismen ännu var okänd. Hjälpa antibiotika upptäckt Våra fynd öppnar flera möjligheter för forskare att studera hur icke-antibiotika läkemedel fungerar annorlunda från standard antibiotika. Vår metod för kartläggning och testning av läkemedel har också potential att lösa en kritisk flaskhals i utvecklingen av antibiotika. Sökandet efter nya antibiotika innebär vanligtvis att sjunka betydande resurser i screening av tusentals kemikalier som dödar bakterier och räkna ut hur de fungerar. De flesta av dessa kemikalier har visat sig fungera på liknande sätt som befintliga antibiotika och kasseras. Vårt arbete visar att kombinera genetisk screening med maskininlärning kan hjälpa till att upptäcka den kemiska nålen i höstacken som kan döda bakterier på sätt som forskare inte har använt tidigare. Det finns olika sätt att döda bakterier som vi inte har utnyttjat än, och det finns fortfarande vägar vi kan ta för att bekämpa hotet om bakteriella infektioner och antibiotikaresistens. Mariana Noto Guillen, doktorand i systembiologi, UMass Chan Medical School Denna artikel är återpublicerad från The Conversation under en Creative Commons-licens. Läs den ursprungliga artikeln.
har gått vår kurs "AI på jobbet".
