Sztuczna inteligencja wytypowała leki aktywne wobec pneumokoków. Tiostrepton hamował także szczepy wielolekooporne in vitro

Badacze wykorzystali trzy odmienne rodziny modeli sztucznej inteligencji do poszukiwania nowych zastosowań istniejących leków przeciwko Streptococcus pneumoniae. Spośród 6747 analizowanych związków wytypowano kandydatów do walidacji laboratoryjnej, a 9 z 11 przetestowanych substancji silnie hamowało wzrost pneumokoków in vitro. Największą aktywność wykazały tiostrepton (ang. thiostrepton) i ceftiofur, przy czym tiostrepton zachował bardzo dużą aktywność również wobec trzech wielolekoopornych genotypów pneumokoka. Wyniki opublikowano w czasopiśmie Advanced Science.

Dlaczego pneumokok pozostaje ważnym celem poszukiwania nowych antybiotyków?

Streptococcus pneumoniae, czyli pneumokok, jest jednym z najważniejszych bakteryjnych patogenów człowieka. Może odpowiadać zarówno za częste zakażenia dróg oddechowych, w tym zapalenie płuc, jak i za ciężkie zakażenia inwazyjne, takie jak bakteriemia czy zapalenie opon mózgowo-rdzeniowych. Narastająca oporność pneumokoków na antybiotyki komplikuje leczenie i zwiększa znaczenie poszukiwania nowych strategii terapeutycznych.

Zespół Joshua S. Fitcha, Muhammada D. Ariadiego, Min Jung Kwun, Leonie Howells, Saiveth Hernandez-Hernandez, Nicholasa J. Crouchera i Pedro J. Ballestera postanowił sprawdzić, czy zamiast rozpoczynać proces odkrywania antybiotyku od zupełnie nowej cząsteczki można wykorzystać sztuczną inteligencję do wyszukania obiecujących kandydatów wśród już istniejących substancji farmakologicznych.

Badacze reprezentowali m.in. Imperial College London, MRC Centre for Global Infectious Disease Analysis, Wellcome Sanger Institute oraz Inserm UMR 1307, CRCI2NA, Nantes Université. Ich podejście opierało się na repozycjonowaniu leków, czyli poszukiwaniu nowego zastosowania dla substancji, których właściwości farmakologiczne są już częściowo poznane.

Takie podejście nie oznacza jednak, że lek wskazany komputerowo można automatycznie zastosować w nowym wskazaniu. Model sztucznej inteligencji pełni przede wszystkim funkcję narzędzia selekcyjnego: ma wskazać stosunkowo niewielką grupę cząsteczek, które warto następnie sprawdzić eksperymentalnie.

Jak wykorzystano sztuczną inteligencję do selekcji leków?

Autorzy zbudowali zbiór danych wykorzystujący wyniki bioassayów zgromadzonych m.in. w bazach PubChem i ChEMBL. Do uczenia modeli wykorzystano dane obejmujące 1849 związków klasyfikowanych jako aktywne oraz 34 503 przykłady nieaktywne. W zbiorze dotyczącym pneumokoków znajdowały się również dane uzyskane dla szczepów opornych m.in. na erytromycynę i penicylinę.

Zamiast polegać na jednym algorytmie, naukowcy wykorzystali trzy odmienne podejścia do reprezentowania i klasyfikowania cząsteczek:

• modele oparte na drzewach decyzyjnych,
• grafowe sieci neuronowe typu D-MPNN, które analizują cząsteczkę jako graf atomów i wiązań,
• modele transformerowe MoLFormer, wcześniej uczone na bardzo dużych zbiorach struktur chemicznych.

Modele zastosowano następnie do prospektywnej oceny 6747 leków lub małych cząsteczek pod kątem przewidywanej zdolności hamowania wzrostu S. pneumoniae.

Istotnym szczegółem metodologicznym jest to, że decyzja o skierowaniu związków do badań laboratoryjnych nie była całkowicie automatyczna. Wyniki różnych modeli doprowadziły początkowo do wyłonienia 36 unikalnych cząsteczek. Następnie badacze przeprowadzili dodatkową selekcję, uwzględniając m.in. dostępność związków, możliwość ich pozyskania lub syntezy, wcześniejszą wiedzę o aktywności przeciwko pneumokokom oraz podobieństwo pomiędzy kandydatami. Po tym etapie do walidacji eksperymentalnej pozostało 11 substancji.

Oznacza to, że bardzo wysoka późniejsza skuteczność selekcji nie była wynikiem wyłącznie działania algorytmu. Była efektem połączenia modeli obliczeniowych z ekspercką kuracją kandydatów.

Dziewięć z jedenastu kandydatów zahamowało wzrost bakterii in vitro

Wybrane związki przetestowano eksperymentalnie na wrażliwym na penicylinę szczepie S. pneumoniae R6. Dziewięć z 11 kandydatów wykazywało aktywność, a raportowane wartości IC₅₀ dla aktywnych związków wynosiły nie więcej niż 0,4 µg/ml.

IC₅₀ w zastosowanym układzie doświadczalnym określało stężenie związku, przy którym wzrost hodowli bakteryjnej był zmniejszony o połowę. Wyniku tego nie należy bezpośrednio utożsamiać z klinicznym potwierdzeniem skuteczności antybiotyku u pacjenta.

Wśród związków wykazujących aktywność znajdowały się substancje reprezentujące różne mechanizmy działania i klasy chemiczne. Były wśród nich cefalosporyny, lewofloksacyna, cadazolid, dactinomycin oraz tiostrepton.

Jednym z interesujących aspektów badania było to, że modele nie ograniczyły się do wskazywania cząsteczek bardzo podobnych do związków obecnych w zbiorze treningowym. Dwa najaktywniejsze związki różniły się strukturalnie od znanych aktywnych cząsteczek wykorzystanych podczas uczenia modeli. W przypadku tiostreptonu maksymalne podobieństwo strukturalne do substancji aktywnych z zestawu treningowego było szczególnie małe.

To ważne z perspektywy zastosowań sztucznej inteligencji w farmakologii: użyteczny model powinien nie tylko rozpoznawać bliskie analogi substancji, których aktywność już zna, ale również wskazywać chemicznie odmienne związki o potencjalnie podobnym efekcie biologicznym.

Tiostrepton i ceftiofur – dwa najsilniejsze związki

Najniższe wartości IC₅₀ wobec szczepu R6 stwierdzono dla tiostreptonu i ceftiofuru.

• Tiostrepton: IC₅₀ = 0,0001 µg/ml, czyli 60,1 pM.
• Ceftiofur: IC₅₀ = 0,0004 µg/ml, czyli 764 pM.

Tiostrepton jest cyklicznym antybiotykiem oddziałującym na rybosom bakteryjny. Ceftiofur należy natomiast do cefalosporyn i zaburza syntezę ściany komórkowej bakterii. Autorzy pracy zwracają uwagę, że oba związki są obecnie stosowane w weterynarii, a przedstawione wyniki nie oznaczają ich dopuszczenia ani gotowości do leczenia zakażeń pneumokokowych u ludzi.

W przypadku ceftiofuru badacze przeprowadzili dodatkowe porównanie z cefotaksymem, cefalosporyną trzeciej generacji stosowaną w medycynie człowieka. W badanym układzie laboratoryjnym ceftiofur wykazywał większą aktywność wobec szczepu R6.

Nie należy jednak interpretować tego wyniku jako dowodu klinicznej przewagi ceftiofuru nad cefotaksymem. Do takiego wniosku potrzebne byłyby m.in. dane dotyczące farmakokinetyki, farmakodynamiki, bezpieczeństwa, uzyskiwanych stężeń w odpowiednich tkankach oraz skuteczności w badaniach in vivo i badaniach klinicznych.

Co wykazały testy na szczepach wielolekoopornych?

Dwa najsilniejsze związki – tiostrepton i ceftiofur – przetestowano następnie wobec trzech odmiennych wielolekoopornych genotypów S. pneumoniae: reprezentantów linii PMEN1, PMEN2 i PMEN14. Szczepy te charakteryzowały się zmniejszoną wrażliwością na penicylinę związaną ze zmianami białek wiążących penicylinę, a ponadto różniły się mechanizmami oporności na antybiotyki oddziałujące na rybosom.

W przypadku ceftiofuru wartości IC₅₀ pozostawały w tych doświadczeniach od dwóch do pięciu razy niższe niż dla cefotaksymu. Wynik sugeruje, że zmiany w białkach wiążących penicylinę odpowiadające za zmniejszoną wrażliwość badanych pneumokoków nie niwelowały obserwowanej przewagi aktywności ceftiofuru w tym układzie in vitro.

Jeszcze ciekawszy wynik uzyskano dla tiostreptonu. Wobec trzech badanych wielolekoopornych genotypów IC₅₀ wynosiło około 0,0002 µg/ml, czyli 120 pM. Aktywność pozostawała więc bardzo duża mimo obecności zróżnicowanych mechanizmów oporności na inne antybiotyki oddziałujące na rybosom.

Autorzy interpretują to jako przesłankę wskazującą, że mechanizm oddziaływania tiostreptonu może omijać część istniejących mechanizmów oporności występujących w tych szczepach. Na tym etapie pozostaje to jednak wynik laboratoryjny, a nie dowód skuteczności leczenia zakażeń wywoływanych przez szczepy wielolekooporne u ludzi.

Co wyniki oznaczają dla dalszych badań i praktyki klinicznej?

Najważniejszym rezultatem pracy nie jest samo wskazanie jednego potencjalnego antybiotyku. Badanie pokazuje przede wszystkim możliwość wykorzystania kilku odmiennych architektur sztucznej inteligencji jako systemu zawężającego bardzo dużą przestrzeń potencjalnych kandydatów przed kosztowną walidacją eksperymentalną.

W tym przypadku modele przeanalizowały 6747 związków, a po dodatkowej selekcji eksperckiej wystarczyło eksperymentalnie zbadać 11 substancji, aby uzyskać dziewięć trafień o wyraźnej aktywności przeciwpneumokokowej in vitro.

Poszczególne modele nie tworzyły jednak identycznych rankingów. Autorzy zwracają uwagę, że łączenie różnych metod może być korzystne, ponieważ modele o odmiennej architekturze wychwytują inne cechy struktury chemicznej. Jednocześnie przestrzegają przed zbyt daleko idącymi wnioskami dotyczącymi tego, który algorytm był najlepszy. Do eksperymentalnej walidacji trafiło tylko 11 związków, a sam sposób ich selekcji faworyzował część modeli głębokiego uczenia, co wprowadza istotne ograniczenie przy porównywaniu ich wydajności.

W praktyce badanie dobrze pokazuje rolę AI jako narzędzia priorytetyzacji eksperymentów. Algorytm nie zastępuje badań mikrobiologicznych, farmakologicznych i klinicznych, lecz może pomóc zdecydować, które spośród tysięcy dostępnych cząsteczek warto przetestować jako pierwsze.

Tiostrepton jest szczególnie interesujący, ale daleko mu do gotowej terapii

Autorzy zwracają uwagę, że ograniczona rozpuszczalność tiostreptonu w wodzie utrudniałaby zastosowanie systemowe. W publikacji rozważają dlatego możliwość dalszych badań w kierunku miejscowego leczenia nieinwazyjnych zakażeń pneumokokowych, np. dotyczących ucha, oka lub zatok.

Hipoteza ta wpisuje się również w koncepcję racjonalnej antybiotykoterapii. Wąsko ukierunkowane leczenie miejscowe, zastosowane po odpowiedniej diagnostyce identyfikującej pneumokoka jako czynnik etiologiczny, mogłoby teoretycznie ograniczyć ekspozycję pozostałej mikrobioty na antybiotyk. Jest to jednak koncepcja wymagająca kolejnych etapów badań.

Badanie nie dostarcza zatem nowego antybiotyku gotowego do zastosowania u chorych. Dostarcza natomiast eksperymentalnego potwierdzenia, że zróżnicowane modele sztucznej inteligencji mogą skutecznie wspierać wybór cząsteczek do dalszych badań nad opornymi patogenami układu oddechowego.