Большинство антибиотиков работают, вмешиваясь в такие важные функции, как репликация ДНК или конструирование бактериальной клеточной стенки. Однако эти механизмы представляют только часть полной картины того, как действуют антибиотики.

В новом исследовании действия антибиотиков исследователи MIT разработали новый подход машинного обучения, чтобы обнаружить дополнительный механизм, который помогает некоторым антибиотикам убивать бактерии. Этот вторичный механизм включает активацию бактериального метаболизма нуклеотидов, необходимых клеткам для репликации своей ДНК.

«В результате стресса, связанного с наркотиками, к клетке предъявляются высокие энергетические требования. Эти энергетические потребности требуют метаболического ответа, а некоторые из побочных продуктов метаболизма токсичны и помогают убивать клетки», – говорит Джеймс Коллинз. профессор медицины Термеер в Институте медицинской инженерии и науки Массачусетского технологического института (IMES) и на кафедре биологической инженерии Массачусетского технологического института и старший автор исследования.

Использование этого механизма могло бы помочь исследователям обнаружить новые лекарства, которые могли бы использоваться вместе с антибиотиками для повышения их способности убивать, говорят исследователи.

Джейсон Янг, научный сотрудник IMES, является ведущим автором статьи, которая выходит в выпуске Cell от 9 мая. Другие авторы включают Сару Райт, недавнюю получательницу MIT MEng; Миган Хамблин, бывший техник-исследователь Бродского института; Мигель Алькантар, аспирант Массачусетского технологического института; Эллисон Лопаткин, постдок IMES; Дуглас Макклоски и Ларс Шрубберс из Центра биологической устойчивости Novo Nordisk Foundation; Сангита Сатиш и Амир Нили, оба недавние выпускники Бостонского университета; Бернхард Пальссон, профессор биоинженерии в Калифорнийском университете в Сан-Диего; и Грэм Уокер, профессор биологии Массачусетского технологического института.

Машинное обучение "Белая коробка"

Коллинз и Уокер изучали механизмы действия антибиотиков в течение многих лет, и их работа показала, что лечение антибиотиками имеет тенденцию создавать значительный клеточный стресс, который предъявляет огромные энергетические требования к бактериальным клеткам. В новом исследовании Коллинз и Ян решили использовать подход машинного обучения, чтобы исследовать, как это происходит и каковы последствия.

Прежде чем они начали свое компьютерное моделирование, исследователи провели сотни экспериментов в E.coli. Они обрабатывали бактерии одним из трех антибиотиков – ампициллином, ципрофлоксацином или гентамицином, и в каждом эксперименте они также добавляли один из примерно 200 различных метаболитов, включая множество аминокислот, углеводов и нуклеотидов (строительные блоки ДНК ). Для каждой комбинации антибиотиков и метаболитов они измеряли влияние на выживаемость клеток.

«Мы использовали разнообразный набор метаболических возмущений, чтобы мы могли видеть эффекты возмущающего метаболизма нуклеотидов, метаболизма аминокислот и других видов метаболических подсетей», – говорит Ян. «Мы хотели фундаментально понять, какие ранее неописанные метаболические пути могут быть важны для нас, чтобы понять, как антибиотики убивают».

Многие другие исследователи использовали модели машинного обучения для анализа данных биологических экспериментов, обучая алгоритм для генерации прогнозов на основе экспериментальных данных. Однако эти модели обычно являются «черным ящиком», то есть они не раскрывают механизмы, лежащие в основе их прогнозов.

Чтобы обойти эту проблему, команда MIT применила новый подход, который они называют машинным обучением «белого ящика». Вместо того, чтобы вводить свои данные непосредственно в алгоритм машинного обучения, они сначала провели его через компьютерную модель метаболизма кишечной палочки в масштабе генома, которая была охарактеризована лабораторией Палссона. Это позволило им создать массив «метаболических состояний», описанных данными. Затем они вводили эти состояния в алгоритм машинного обучения, который позволял идентифицировать связи между различными состояниями и результатами лечения антибиотиками.

Поскольку исследователи уже знали условия эксперимента, которые вызывали каждое состояние, они смогли определить, какие метаболические пути ответственны за более высокие уровни гибели клеток.

«То, что мы здесь демонстрируем, заключается в том, что, когда сетевое моделирование сначала интерпретирует данные, а затем алгоритм машинного обучения создает прогностическую модель для наших фенотипов антибиотической летальности, элементы, которые выбираются этой прогностической моделью, непосредственно отображаются на пути, которые мы смогли экспериментально проверить, что очень интересно », – говорит Ян.

Метаболический стресс

Эта модель дала новое открытие, что метаболизм нуклеотидов, особенно метаболизм пуринов, таких как аденин, играет ключевую роль в способности антибиотиков убивать бактериальные клетки. Лечение антибиотиками приводит к клеточному стрессу, который приводит к истощению клеток пуриновых нуклеотидов. Усилия клеток по увеличению производства этих нуклеотидов, которые необходимы для копирования ДНК, повышают общий метаболизм клеток и приводят к накоплению вредных метаболических побочных продуктов, которые могут убивать клетки.

«Теперь мы считаем, что в ответ на это очень сильное истощение пуринов клетки включают метаболизм пуринов, чтобы попытаться справиться с этим, но сам метаболизм пуринов очень энергетически дорог, и это усиливает энергетический дисбаланс, который клетки уже обращены », – говорит Ян.

Полученные данные свидетельствуют о том, что возможно усилить действие некоторых антибиотиков, доставляя их вместе с другими лекарственными средствами, стимулирующими метаболическую активность. «Если мы сможем перевести клетки в более энергетически напряженное состояние и заставить клетку активизировать обмен веществ, это может стать способом усиления антибиотиков», – говорит Ян.

Подход к моделированию «белого ящика», используемый в этом исследовании, также может быть полезен для изучения того, как различные типы лекарств влияют на такие заболевания, как рак, диабет или нейродегенеративные заболевания, говорят исследователи. В настоящее время они используют аналогичный подход для изучения того, как туберкулез выживает после лечения антибиотиками и становится лекарственно устойчивым.