新型抗生素药物的研发是当今的热点话题。今天介绍一篇发表在Cell Chemical Biology的抗生素研发的文章,传统抗生素多针对细菌活跃代谢时期,而作者针对于代谢不活跃的细菌(休眠细菌)进行药物设计。本文结合静止期筛选方法、深度学习和细胞毒性实验,发现了一种名为semapimod的药物,对静止期的大肠杆菌和鲍曼不动杆菌有效。研究表明,semapimod通过结合脂多糖,选择性破坏细菌外膜,增加外膜通透性。此研究展示了非传统筛选方法和深度学习模型在发现新型抗菌化合物中的潜力。
当细菌进入人体并迅速繁殖时,如果食物耗尽,它们会进入休眠状态以节省能量。部分细菌在抗生素治疗期间保持休眠,从而避免被杀死,并在治疗结束后苏醒并再次繁殖,导致疾病复发。研究发现,细菌群体中少数休眠细菌的存在是其长期生存和适应环境压力的一种策略。这种机制使得抗生素耐药性问题变得更加复杂,需采取新的治疗方法来应对。
休眠细菌是指处于一种低代谢或不活动状态的细菌。与活跃生长和繁殖的细菌不同,休眠细菌在这种状态下几乎不进行分裂和繁殖,代谢活动非常低。它们通过降低新陈代谢来适应不利的环境条件,例如营养缺乏、抗生素压力或其他应激条件。
休眠状态的细菌在以下几个方面具有显著特征:
理解和研究代谢休眠细菌对于开发新的抗菌策略,特别是针对慢性和顽固性细菌感染,具有重要意义。
作者的研究方向包括以下两个主要领域:
作者开发了一种基于稀释和再生的方法来识别对休眠细菌具有致死性的化合物,使用静止期大肠杆菌BW25113,这种细菌在1% LB培养基中生长,从而进入代谢休眠状态,对常规抗生素具有耐受性。将上述静止期细菌经化合物处理24小时后,将少量样本接种到新鲜的100% LB培养基中,再生长24小时,识别出具有活性的 “Hit” 化合物。
作者使用筛选数据训练了一个模型,用于预测抗生素。尽管许多预测方法使用分子表示方式比较固定,如SMILES字符串、化学指纹和特征描述符,但这些模型的表现通常不如直接从分子图中学习的表示。分子图将键和原子表示为图中的节点和边,这些分子图通常输入到图神经网络(GNNs)中,GNNs是将图表示转换为向量表示的神经网络。GNNs在药物性质预测中是非常强大的工具,可以准确地预测化合物的性质。
作者挑选了105种能够杀死休眠细菌的化合物:其中84种来自初级筛选,21种来自机器学习驱动的虚拟筛选。鉴于许多针对休眠细菌有效的抗生素具有较高毒性,作者设计了一个三步毒性过滤系统,目的是找到对代谢休眠细菌细胞具有选择性致命作用的化合物。首先,使用人肝细胞癌(HepG2)和胚胎肾(HEK293)细胞进行了单剂量细胞毒性测试,使用瑞沙星作为细胞活力的检测指标。将在任何一种细胞系中细胞活力表现低于50%的化合物分类为有毒,作者移除了56种化合物,最终保留了49种化合物。
Semapimod通过了细胞毒性筛选。此外,semapimod在含有10% FBS或BSA的培养基中,其抗菌效力没有下降。Semapimod作为一种免疫调节药物曾用于治疗克罗恩病,并在临床试验中表现良好。
在抗生素发现的“黄金时代”,大多数常用抗生素是在细菌生长时期发现的。然而,随后的研究揭示了感染微环境之间的多样性,其中许多情况涉及营养匮乏和代谢休眠。值得注意的是,细菌病原体的休眠状态对抗生素的耐受性和持久性会有很大影响,这一现象会导致治疗周期延长和反复发作感染。作者设计了一种筛选方法,结合了实验性化合物测试、基于机器学习的虚拟筛选和毒性评估。这种方法筛选出了多种针对代谢休眠的细菌,具有低毒性的抗菌化合物。