Cell ：利用深度学习发现新型抗生素

来源：BioArt

撰文 | 奚望

抗生素的发现是现代医学的基石之一。传统上，抗生素的研发是通过筛选抗菌性的微生物次级代谢物来进行，包括β-内酰胺、氨基糖苷、多粘菌素和糖肽等几大类抗生素都是这样被发现的。然而当前的研发速度已经有所减慢，同时全球性的抗生素耐药问题使得新的有效抗生素的诞生更为困难。从自然化合物中筛选出常常只是重复相同的发现，调整现有抗生素的结构产生的失败率过高，而从化学文库中大范围的筛选则面临成本的化合物多样性的双重限制。近年来，人们提出了将结构分析和筛选相结合的思路，利用机器学习算法从分子性质中预测具有潜在抗菌性能的化合物。随着深度学习的快速发展，这种方法的精确性有望得到巨大的提升。

2020年2月20日，来自MIT的James Collins和Regina Barzilay在Cell发表题为A Deep Learning Approach to Antibiotic Discovery的文章。他们基于已知化合物训练深度神经网络，然后在Drug Repurposing Hub上预测，发现了一种具有广谱抗菌效应的新型抗生素Halicin（暂命名为海利霉素）。

研究者使用大肠杆菌BW25113进行筛选。他们首先选取了2335种药物或自然化合物。以80%生长抑制为标准，研究者将它们分为有抑菌性（120个）和没有抑菌性两类，作为神经网络的训练数据集。研究者选用了“有向消息传递深度神经网络”（directed-message passing deep neural network），将化合物的原子和成键等信息以连续向量的方式多次重复传递，从而获取更高级的表征结果。接着，研究者将训练后的模型应用在Drug Repurposing Hub的化合物上，选出了99种最有可能存在抑菌性的化合物。实验结果证实了其中的51种的确能明显抑制该类大肠杆菌生长。综合考虑低体内毒性和结构新颖性，研究者从中选出了一种化合物，c-Jun N末端激酶抑制因子，并重命名为Halicin，作为最有潜力的新型抗生素。值得注意的是，Halicin在非该模型的其他机器学习模型种的排名并不是最靠前的。

研究者发现，Halicin的最小抑制浓度低达2微克/毫升，在富营养条件下也能起到抑菌效果。更重要的是，Halicin对已经产生氨苄抗性的大肠杆菌同样有效。研究者接着尝试了多种携带抗性基因的菌株，发现Halicin并没有对它们失效。除了大肠杆菌外，Halicin还能抑制结核分支杆菌的生长。这写结果说明，Halicin可能是通过一种新途径抑菌杀菌。

研究者对加入Halicin前后的大肠杆菌进行了RNA-seq，发现Halicin加入后，大肠杆菌中细胞移动相关基因表达迅速下调，而保持铁离子内平衡的基因表达迅速上调。他们推断，Halicin有可能是造成了细胞膜的电势改变，导致质子动力的耗散，使得细胞失去移动能力。Halicin浓度的降低使得pH值上升，说明它影响了质子动力的ΔpH部分。而这和传统抗生素的作用机理是截然不同的。研究者通过DiSC3(5)实验进一步支持了这个机理。

研究者接着对Halicin进行了小鼠体内实验。他们对携带艰难梭菌630的小鼠使用甲硝锉或Halicin。结果现实，甲硝锉与对照组并无显著差别，而Halicin则迅速降低了小鼠体内艰难梭菌的感染量。

研究者将在Drug Repurposing Hub上训练过的模型应用在了更大的数据库WuXi anti-tuberculosis library和ZNIC15上。通过对约一亿化合物的预测和筛选，他们又发现了两种潜在的抗生素。综合这些结果，作者认为利用机器学习辅助抗生素筛选的时机已经成熟。