Расширено понимание фармакодинамики антибиотиков | Медичний часопис

0 7

Резюме. Описание новых метаболических путей предлагает потенциальные цели для борьбы с антибиотикорезистентностью

Метод машинного обучения в биологических экспериментах

Последние достижения в области экспериментальных технологий и анализа данных сделали возможным проведение точных наблюдений, количественной оценки и анализа биологических сигналов, формирующих предпосылки реализации тех или иных клеточных фенотипов. Современные методы машинного обучения позволяют достоверно оценить взаимосвязь биологических сигналов с количественными фенотипическими характеристиками, однако эти подходы отслеживают лишь корреляцию, не раскрывая при этом причинно-следственной связи.

Механизм действия подавляющего большинства антибактериальных препаратов основан на модуляции таких процессов, как репликация ДНК или конструирование бактериальной клеточной стенки. В недавнем исследовании научными сотрудниками Массачусетского технологического института (Massachusetts Institute of Technology), США, был предложен подход к методу машинного обучения, позволивший описать дополнительный механизм активности отдельных антибиотиков. Идентифицированный вторичный механизм действия предполагает активацию бактериального метаболизма нуклеотидов, необходимых клеткам для репликации ДНК. Статья опубликована в издании «Cell» 9 мая 2019 г.

Тестирование по принципу «белого ящика» в машинном обучении

В более ранних исследованиях, посвященных уточнению механизмов действия антибактериальных препаратов, показано, что применение антибиотиков сопровождается тенденцией к выраженному клеточному стрессу, предъявляя значимые энергетические требования к бактериальным клеткам. В представленном проекте был применен метод машинного обучения для оценки нюансов и последствий изучаемого вопроса. На этапе, предваряющем компьютерное моделирование аспектов фармакодинамики антибактериальных препаратов, были проведены сотни экспериментальных исследований на модели E. coli. Колонии микроорганизмов обрабатывались одним из трех антибактериальных препаратов — ампициллином, ципрофлоксацином или гентамицином. При этом в каждом эксперименте добавлялся один из около 200 различных метаболитов, включая аминокислоты, углеводы и нуклеотиды. Для каждого подобного сочетания антибиотика и метаболита проводилась оценка влияния на выживаемость клеток.

Метод машинного обучения применялся и ранее с целью анализа данных биологических экспериментов, позволяя совершенствовать алгоритм генерации прогноза на основе экспериментальных данных. Однако указанные экспериментальные модели, как правило, были основаны на применении тестирования по принципу «черного ящика» — модели, не предполагающей описания механизмов, лежащих в основе составляемых прогнозов. Для того чтобы исключить фактор неизвестности, в представленном исследовании авторы применили подход в тестировании по принципу «белого ящика».

Так, вместо непосредственного введения известных характеристик в алгоритм машинного обучения, данные предварительно были проведены через компьютерную модель метаболизма E. coli в масштабе генома. Это позволило генерировать массив метаболических состояний, которые были описаны введенными показателями. После этого описания метаболических состояний вводили в алгоритм машинного обучения, что в дальнейшем позволило идентифицировать связь между различными состояниями и результатами применения антибактериальных препаратов. При этом знание экспериментальных условий, вызывающих развитие каждого из состояний, позволило определить, какие из метаболических путей ответственны за наибольшую активацию гибели клеток.

Метаболический стресс

Таким образом, на основании предварительного сетевого моделирования и интерпретации первичных данных с помощью алгоритма машинного обучения была генерирована прогностическая модель, позволяющая отследить уязвимые по отношению к применяемым препаратам бактериальные фенотипы. По мнению авторов работы, предложенный подход заключает в себе возможности интегрированного биохимического скрининга, позволяющего выявить причинно-следственные механизмы и расширить представления о фармакодинамике антибактериальных препаратов.

Описанная модель предлагает новые данные о том, что метаболизм нуклеотидов, в частности пуринов, таких как аденин, играет ключевую роль в бактерицидных свойствах антибактериальных препаратов. Экспериментальные данные продемонстрировали, что терапия антибиотиками инициирует клеточный стресс, что проявляется истощением пуриновых нуклеотидов — незаменимых компонентов репликации ДНК. При этом чрезмерная активация клеточного метаболизма для восполнения дефицита синтеза пуринов формирует избыток токсичных побочных продуктов внутриклеточного обмена, определяющих фатальный прогноз для дальнейшего функционирования бактериальных клеток.

Клинические перспективы

Полученные данные свидетельствуют о возможности активации действия отдельных антибактериальных препаратов, доставляя их вместе с другими лекарственными средствами, которые стимулируют метаболизм бактерий. «Если мы сможем перевести клетки в более энергетически напряженное состояние и стимулировать внутриклеточный метаболизм, подобная тактика может стать новым способом оптимизации фармакодинамики антибиотиков», — подчеркнул руководитель исследовательского проекта Джейсон Х. Янг (Jason H. Yang).

В целом же представленная работа демонстрирует, каким образом прогнозируемое сетевое моделирование может сочетаться с машинным обучением в идентификации сложных причинно-следственных механизмов, лежащих в основе эффективности лекарственных средств. Кроме того, авторы работы акцентировали внимание на том, что метод моделирования по принципу «белого ящика», описанный в данном исследовании, также может быть полезен в изучении фармакодинамики множества других препаратов, применяемых при онкологических заболеваниях, сахарном диабете или нейродегенеративных патологиях. В настоящее время усилия исследователей сосредоточены на изучении потенциала данного подхода в уточнении механизмов формирования резистентности M. tuberculosis, а также возможностей преодоления этих ограничений путем экспериментального моделирования и прогнозирования.

  • Massachusetts Institute of Technology (2019) Painting a fuller picture of how antibiotics kill: Machine learning reveals metabolic pathways disrupted by the drugs, offering new targets to combat resistance. ScienceDaily, May 9.
  • Yang J.H., Wright S.N., Hamblin M. et al. (2019) A white-box machine learning approach for revealing antibiotic mechanisms of action. Cell, May 9. DOI: 10.1016/j.cell.2019.04.016.

Наталья Савельева-Кулик

Вам так же будет интересно

Оставьте комментарий

Ваш email не будет опубликован

Этот сайт использует Akismet для борьбы со спамом. Узнайте как обрабатываются ваши данные комментариев.