A Multi-Fingerprint QSAR Framework for Multiclass Prediction of Antimicrobial Activity of β-Lactam Derivatives Using Machine Learning and Deep Learning

Stellen Sie sich eine Welt vor, in der winzige, unsichtbare Eindringlinge lernen, eine Rüstung zu tragen, die unsere besten Waffen nicht durchdringen kann. Dies ist die Realität der antimikrobiellen Resistenz, einer globalen Gesundheitskrise, bei der Bakterien lernen, die Antibiotika zu überleben, auf die wir angewiesen sind. Um dagegen vorzugehen, nutzen Wissenschaftler einen klugen Trick namens QSAR (Quantitative Structure-Activity Relationship – Quantitative Struktur-Wirkungs-Beziehung). Stellen Sie es sich wie einen Detektiv vor, der versucht, den nächsten Zug eines Verdächtigen zu erraten, indem er sich dessen Fingerabdrücke und Kleidung ansieht. In diesem Fall sind die „Verdächtigen“ die Bakterien und die „Kleidung“ ist die chemische Form eines Wirkstoffmoleküls. Durch die Untersuchung, wie die Form eines Moleküls mit seiner Fähigkeit zusammenhängt, Bakterien zu töten, können Wissenschaftler vorhersagen, welche neuen chemischen Rezepte funktionieren könnten, noch bevor sie diese überhaupt im Labor mischen. Dies spart Zeit, Geld und Ressourcen und ermöglicht es Forschern, sich nur auf die vielversprechendsten Kandidaten zu konzentrieren.

Treten nun Forscher auf den Plan, die beschlossen haben, diese Detektivarbeit auf die nächste Stufe zu heben. Sie konzentrierten sich auf eine spezifische Familie chemischer Bausteine, die als β-Laktame bekannt sind, zusammen mit ihren Verwandten, den Azetidinonen und Thiazolidinonen. Dies sind die Grundgerüste hinter vielen berühmten Antibiotika, aber Bakterien werden immer besser darin, sie zu besiegen. Die Forscher sammelten eine massive Sammlung von über 220 verschiedenen Versionen dieser Moleküle aus wissenschaftlichen Berichten. Ihr Ziel? Ein superintelligentes Computerprogramm zu bauen, das den chemischen „Fingerabdruck“ eines Moleküls betrachten und sofort sagen kann, ob es ein mächtiger Killer (Aktiv), ein schwacher Kämpfer (Inaktiv) oder irgendwo dazwischen (Moderat) wäre.

Anstatt nur zu fragen: „Funktioniert es oder nicht?“ (eine einfache Ja/Nein-Frage), trainierten sie ihre Computermodelle darauf, eine nuanciertere Frage zu beantworten: „Wie gut funktioniert es?“ Sie fütterten den Computer mit einer riesigen Menge an Daten, einschließlich der Größe des Moleküls, seiner ölig- oder wässrigen Beschaffenheit und tausenden winziger struktureller Details, die als Fingerabdrücke bezeichnet werden. Sie verwendeten fortschrittliche künstliche Intelligenz, einschließlich Deep Learning (das das menschliche Gehirn nachahmt) und Ensemble-Methoden (bei denen mehrere Computermodelle gemeinsam abstimmen), um die Muster zu finden.

Die Ergebnisse waren beeindruckend. Die Computermodelle wurden unglaublich gut darin, diese Moleküle in die drei Kategorien zu sortieren. Als die Forscher die Daten untersuchten, fanden sie heraus, dass die „aktiven“ Moleküle tendenziell größer, öliger waren und über spezifische strukturelle Merkmale verfügten, die sie besser darin machten, Bakterien anzugreifen. Die „inaktiven“ Moleküle waren oft zu klein oder es fehlten ihnen diese entscheidenden Merkmale. Die Modelle waren so genau, dass sie die Gruppen mit nahezu perfekter Klarheit unterscheiden konnten, fast so, als würde man verschiedene farbige Murmeln in separate Gläser sortieren. Die Gruppe der „moderaten“ Fälle war jedoch etwas knifflig; diese Moleküle teilten Merkmale sowohl mit den Gewinnern als auch mit den Verlierern, was die Klassifizierung erschwerte, was eine häufige Herausforderung in diesem Bereich ist.

Letztendlich hat diese Studie nicht nur ein Modell gebaut; sie hat eine Karte erstellt. Sie zeigte, dass wir durch die Kombination verschiedener Arten von chemischen Beschreibungen und den Einsatz leistungsstarker maschineller Lernverfahren zuverlässig vorhersagen können, welche neuen Wirkstoffkandidaten es wert sind, verfolgt zu werden. Die Forscher fanden heraus, dass Faktoren wie das Molekulargewicht und die Lipophilie (wie sehr ein Molekül Fett mag) die größten Hinweise auf den Erfolg waren. Obwohl die Modelle nicht perfekt sind – insbesondere für jene „grenzwertigen“ moderaten Fälle –, bieten sie ein hochzuverlässiges Werkzeug für Wissenschaftler, um ihre Bemühungen zu priorisieren. Das bedeutet, dass in Zukunft Wirkstoffdesigner diesen Rahmen nutzen können, um neue Ideen schnell zu prüfen, was potenziell die Entdeckung der nächsten Generation von Antibiotika beschleunigt, die benötigt werden, um resistente Bakterien zu überlisten.