Syntetyczne peptydy na liście 500

Czy sztuczna inteligencja pomoże zwalczyć antybiotykooporność?

Rosnąca oporność bakterii na antybiotyki stanowi coraz większe zagrożenie dla zdrowia na całym świecie. Teraz naukowcy z Instytutu Mikrobiologii Lądowej im. Maxa Plancka w Marburgu w Niemczech połączyli biologię syntetyczną i sztuczną inteligencję (AI), aby opracować skuteczniejsze podejście do wyszukiwania i tworzenia nowych peptydów przeciwdrobnoustrojowych, które są skuteczne przeciwko szerokiej gamie bakterii.

Bioaktywne peptydy odgrywają kluczową rolę w zdrowiu i medycynie. Obecnie w użyciu jest ponad 80 leków na bazie peptydów, wszystkie izolowane z naturalnych źródeł. Szacuje się jednak, że każdego roku na całym świecie oporność na antybiotyki powoduje ponad milion zgonów. Oczekuje się, że do 2050 r. liczba ta wzrośnie do dziesięciu milionów, co stwarza pilną potrzebę opracowania nowatorskich metod przyspieszających rozwój nowych środków przeciwdrobnoustrojowych. Niewykorzystany potencjał tkwi w przestrzeni nienaturalnej, w której szacunkowa liczba 20 ¹⁰ do 20 ³⁰ różnych peptydów nie została jeszcze zbadana.

Plan dla nowych bioaktywnych peptydów

We współpracy z kilkoma laboratoriami w Instytucie Mikrobiologii Lądowej Maxa Plancka, Uniwersytecie w Marburgu, Instytucie Biofizyki Maxa Plancka, Instytucie Mikrobiologii Bundeswehry, Instytucie iLung i INRAe France, zespół naukowców z Instytutu Maxa Plancka kierowany przez Tobias Erb ustanowił nowy szlak rozwoju bioaktywnych peptydów. 

– W procesie głębokiego uczenia się sieć neuronowa – algorytmy inspirowane ludzkim mózgiem – uczy się na podstawie dużych ilości danych. Ten rodzaj uczenia maszynowego jest bardzo obiecujący w zakresie odkrywania peptydów i projektowania od nowa. Jednak zwykle następuje po nim synteza chemiczna peptydów do walidacji eksperymentalnej, co jest dość trudne i czasochłonne oraz poważnie ogranicza liczbę peptydów, które można zsyntetyzować chemicznie – wyjaśnia Amir Pandi, główny autor badania.

Aby przezwyciężyć te ograniczenia, zespół badawczy stworzył bezkomórkowy „rurociąg” syntezy białek umożliwiający szybką i opłacalną produkcję peptydów przeciwdrobnoustrojowych bezpośrednio z matryc DNA. Nowy protokół zapewnia szybką, tanią i wysokowydajną metodę badań przesiewowych peptydów przeciwdrobnoustrojowych. Zespół najpierw wykorzystał generatywne głębokie uczenie się do zaprojektowania tysięcy peptydów przeciwdrobnoustrojowych de novo, a następnie predykcyjne głębokie uczenie się, aby zawęzić listę kandydatów do 500. Wśród nich badanie przesiewowe za pomocą rurociągu bezkomórkowego pozwoliło zidentyfikować 30 funkcjonalnych peptydów, które badacze scharakteryzowali dalej poprzez symulacje dynamiki molekularnej, aktywność przeciwdrobnoustrojową i toksyczność.

Szerokie spektrum działania przeciwko patogenom

Warto zauważyć, że sześć peptydów de novo wykazywało szerokie spektrum działania przeciwko patogenom opornym na wiele leków i nie rozwinęło oporności bakteryjnej. 

– Odnieśliśmy ogromne korzyści z połączenia bezkomórkowej biologii syntetycznej, sztucznej inteligencji i podejścia o dużej przepustowości. Zwiększając liczbę kandydatów, których można przetestować eksperymentalnie w czasie krótszym niż 24 godziny, wzrosła szansa na znalezienie aktywnych peptydów przeciwdrobnoustrojowych – mówi Amir Pandi. – Zatem nasz proces syntezy białek bezkomórkowych nie tylko uzupełnia najnowsze postępy w projektowaniu obliczeniowym. Ma także potencjał szybszego i tańszego badania związku między projektem i funkcją bioaktywnych peptydów. – Tobias Erb dodaje: – Ta nowa metoda na styku biologii syntetycznej i uczenia maszynowego zainteresuje naukowców pracujących w dziedzinach biomedycyny i peptydów bioaktywnych.

Kolejne kroki obejmują dalszą poprawę wydajności produkcji peptydów, a także wykorzystanie sztucznej inteligencji i metod biologii syntetycznej w celu zaprojektowania nowych peptydów przeciwdrobnoustrojowych, bardziej stabilnych, mniej toksycznych lub zapewniających określony sposób działania. Naukowcy planują także zastosowanie rozszerzonych, głębokich modeli generatywnych, w których maszyna uczy się reprezentacji molekularnych pożądanych właściwości, co poprawiłoby wskaźnik powodzenia identyfikacji aktywnych kandydatów.

Źródło: materiały Max Plank Institute, zdjęcie zajawka: 123RF