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

Immaginate un mondo in cui minuscoli invasori invisibili stanno imparando a indossare un'armatura che le nostre migliori armi non riescono a trafiggere. Questa è la realtà della resistenza antimicrobica, una crisi sanitaria globale in cui i batteri si stanno evolvendo per sopravvivere agli antibiotici su cui facciamo affidamento. Per combattere, gli scienziati usano un trucco astuto chiamato QSAR (Relazione Quantitativa Struttura-Attività). Pensatelo come un detective che cerca di indovinare la prossima mossa di un sospetto osservando le sue impronte digitali e i suoi vestiti. In questo caso, i "sospetti" sono i batteri, e i "vestiti" sono la forma chimica di una molecola di un farmaco. Studiando come la forma di una molecola si relaziona alla sua capacità di uccidere i batteri, gli scienziati possono prevedere quali nuove ricette chimiche potrebbero funzionare prima ancora di mescolarle in un laboratorio. Questo risparmia tempo, denaro e risorse, permettendo ai ricercatori di concentrarsi solo sui candidati più promettenti.

Entrate in scena un team di ricercatori che ha deciso di portare questo lavoro investigativo al livello successivo. Si sono concentrati su una specifica famiglia di mattoni chimici noti come β-lattamici, insieme ai loro cugini, azetidinoni e tiazolidinoni. Questi sono le impalcature dietro molti antibiotici famosi, ma i batteri stanno diventando bravi a sconfiggerli. I ricercatori hanno raccolto una collezione massiccia di oltre 220 versioni diverse di queste molecole dai rapporti scientifici. Il loro obiettivo? Costruire un programma per computer super intelligente capace di guardare l'impronta digitale chimica di una molecola e dire istantaneamente se sarebbe un killer potente (Attivo), un combattente debole (Inattivo) o qualcosa nel mezzo (Moderato).

Invece di chiedere solo "Funziona o no?" (una semplice domanda sì/no), hanno addestrato i loro modelli informatici a rispondere a una domanda più sfumata: "Quanto bene funziona?". Hanno fornito al computer una enorme quantità di dati, inclusi la dimensione della molecola, quanto sia oleosa o acquosa e migliaia di piccoli dettagli strutturali chiamati impronte digitali. Hanno utilizzato l'intelligenza artificiale avanzata, compreso il deep learning (che imita il cervello umano) e i metodi ensemble (dove più modelli informatici votano insieme), per trovare gli schemi.

I risultati sono stati impressionanti. I modelli informatici sono diventati incredibilmente bravi a classificare queste molecole nelle tre categorie. Quando i ricercatori hanno esaminato i dati, hanno scoperto che le molecole "Attive" tendevano a essere più grandi, più oleose e avevano specifiche caratteristiche strutturali che le rendevano migliori nell'attaccare i batteri. Quelle "Inattive" erano spesso troppo piccole o mancavano di queste caratteristiche chiave. I modelli erano così accurati da poter distinguere tra i gruppi con una chiarezza quasi perfetta, quasi come smistare diverse biglie colorate in barattoli separati. Tuttavia, il gruppo "Moderato" era un po' complicato; queste molecole condividevano caratteristiche sia con i vincitori che con i perdenti, rendendole più difficili da classificare, il che è una sfida comune in questo campo.

In definitiva, questo studio non ha solo costruito un modello; ha costruito una mappa. Ha dimostrato che combinando diversi tipi di descrizioni chimiche e utilizzando l'apprendimento automatico potente, possiamo prevedere in modo affidabile quali nuovi candidati farmaceutici valgano la pena di essere perseguiti. I ricercatori hanno scoperto che fattori come il peso molecolare e la lipofilia (quanto una molecola ama l'olio) erano gli indizi più grandi per il successo. Sebbene i modelli non siano perfetti, specialmente per quei casi "borderline" moderati, forniscono uno strumento altamente affidabile per gli scienziati per dare priorità ai loro sforzi. Ciò significa che in futuro, i progettisti di farmaci potranno utilizzare questo schema per esaminare rapidamente nuove idee, accelerando potenzialmente la scoperta della prossima generazione di antibiotici necessari per superare in astuzia i batteri resistenti.