Revolutionising Antibacterial Warfare: Machine Learning and Molecular Dynamics Unveiling Potential Gram-Negative Bacteria Inhibitors

Deze studie maakt gebruik van machine learning en moleculaire dynamica om potentiële remmers te identificeren die gericht zijn op resistentiemechanismen van gramnegatieve bacteriën, met name RND-effluxpompen en erytromycine-esterasen, met als doel de beperkingen van bestaande door de FDA goedgekeurde antibacteriële geneesmiddelen te overwinnen.

De kern

Het Grote Geheel: Het Bacteriële Fort

Stel je bacteriën voor als een versterkt kasteel. Al eeuwenlang proberen we deze kastelen te veroveren met "wapens" die antibiotica worden genoemd. De bacteriën hebben echter twee hoofdverdedigingen gebouwd die onze wapens nutteloos maken:

1. De Afvalschuif (Efflux-pompen): Een machine die drugs actief uit het kasteel schopt voordat ze schade kunnen aanrichten.
2. De Verpulveraar (Enzymen): Een machine die drugs in kleine, onschadelijke stukjes snijdt voordat ze kunnen aanvallen.

Dit proefschrift richt zich op twee specifieke Gram-negatieve bacteriën (zoals E. coli en Pseudomonas) en probeert nieuwe manieren te vinden om deze machines te blokkeren met een combinatie van informatica en chemie.

---

Deel 1: Het Blokkeren van de Afvalschuif (Efflux-pompen)

Het Probleem:
Binnenin het bacteriële kasteel bevindt zich een enorme, uit drie delen bestaande machine die AcrAB-TolC (in E. coli) en MexAB-OprM (in Pseudomonas) wordt genoemd. Denk aan deze machine als een draaideur met een krachtige vacuümzuiger.

• Hoe het werkt: Een drug komt het kasteel binnen, maar de machine grijpt het, draait het door een tunnel en schiet het terug de wereld in. Dit is de reden waarom de bacteriën onze antibiotica overleven.
• Het Doel: Een "stopper" (een inhibitor) vinden die perfect in deze machine past om de tandwielen te blokkeren, zodat deze niet kan draaien.

De Oplossing: De Computer-Detective
In plaats van duizenden chemicaliën in een lab te testen (wat traag en duur is), gebruikte de auteur een Machine Learning (ML)-detective.

1. De Training: De computer kreeg een lijst van 53 bekende "stopper"-chemicaliën en hun effectiviteitsscores (MIC-waarden) ingevoerd. Het leerde patronen herkennen die een chemicalie goed maken in het blokkeren van de machine.
2. De Zoektocht: De computer scant vervolgens een enorme bibliotheek van 5.043 potentiële nieuwe chemicaliën. Het fungeerde als een zeef, waarbij de slechte eruit werden gefilterd.
3. De Filters:
   • Filter 1 (De AI-stem): De computer voorspelde welke het beste zouden werken.
   • Filter 2 (De Veiligheidscontrole): Het controleerde of de chemicaliën voldeden aan de "Regel van 5 van Lipinski" (een reeks regels om ervoor te zorgen dat een drug niet te groot of giftig is voor het menselijk lichaam).
   • Filter 3 (De Virtuele Docking): De computer probeerde virtueel de resterende chemicaliën in het 3D-model van de bacteriële machine te plaatsen. Als de pas niet strak genoeg was, werden ze afgewezen.

Het Resultaat:
Van de 5.043 kandidaten vond de computer 8 topkandidaten.

• Het Geheime Ingrediënt: Alle 8 winnaars deelden een specifieke chemische kern genaamd pyridopyrimidone. Denk hierbij aan de vorm van een "universele sleutel" die in het slot past.
• De Simulatie: De auteur draaide een 200-nanoseconde film (Moleculaire Dynamica) van deze topkandidaten binnenin de machine.
  • Wat gebeurde er? De beste kandidaat, Lig6, fungeerde als een wig. Het zat diep in de "Diepe Bindingszak" van de machine en hield deze open of blokkeerde het op een manier die de rotatie stopte.
  • Belangrijkste Bevinding: De machine heeft een "schakellus" (een flexibele klep). Toen Lig6 erin zat, verhinderde het dat deze klep bewoog, waardoor de machine effectief werd ingevroren.

---

Deel 2: Het Stoppen van de Verpulveraar (EreC-enzym)

Het Probleem:
Sommige bacteriën hebben een andere verdediging: een enzym genaamd EreC.

• Het Mechanisme: Stel je een macrolide-antibioticum (zoals Erytromycine) voor als een lang, delicaat lint. Het EreC-enzym is een schaar. Wanneer het lint het enzym binnenkomt, knipt het enzym het lint in tweeën, waardoor het nutteloos wordt.
• De Vorm: Het enzym heeft twee vormen: Open (zoals een mond wijd open die op voedsel wacht) en Gesloten (zoals een mond die dichtklapt om te kauwen).

Het Onderzoek:
De auteur wilde precies zien hoe het enzym het antibioticum grijpt en snijdt.

1. De Opzet: Ze namen computermodellen van het enzym in zowel de "Open" als de "Gesloten" toestand en simuleerden wat er gebeurt wanneer Erytromycine en Azitromycine binnenkomen.
2. De Film (MD-simulatie): Ze observeerden hoe het enzym zich 400 nanoseconden bewoog.

De Ontdekking:

• De Valstrik: Wanneer het antibioticum het "Open" enzym binnenkomt, blijft het enzym niet open. De flexibele "actieve lus" (de mond) klapt direct dicht, waardoor het antibioticum erin wordt gevangen.
• De Snede: Eenmaal gevangen, richt het antibioticum zich perfect uit met de "scharen" van het enzym (katalytische residuen zoals His-50 en Glu-78). Het enzym snijdt vervolgens het antibioticum.
• Het Bewijs: De computer toonde aan dat het enzym veel stabieler is en het antibioticum strakker vasthoudt wanneer het zich in de Gesloten toestand bevindt. Het dichtklappen van de "mond" is een cruciale stap in het vernietigingsproces.

---

Samenvatting van Bevindingen

Het proefschrift concludeert met twee belangrijkste lessen:

1. Voor de Afvalschuif (Efflux-pompen): We vonden 8 nieuwe potentiële chemicaliën (aangevoerd door Lig6) die zeer veelbelovend lijken. Ze hebben een specifieke vorm (pyridopyrimidone) die hen in staat stelt als wig in de bacteriële pomp te komen en te voorkomen dat deze drugs eruit schopt.
2. Voor de Verpulveraar (EreC): We hebben precies bevestigd hoe het enzym werkt. Het vangt het antibioticum, klapt zijn "mond" dicht en snijdt vervolgens de drug. Dit bevestigt dat de "Gesloten" toestand de gevaarlijke toestand is voor het antibioticum.

Wat het artikel niet beweert:

• Het zegt niet dat deze drugs klaar zijn voor mensen.
• Het beweert niet dat deze drugs zijn getest op echte patiënten of dieren.
• Het zegt niet dat deze drugs morgen infecties zullen genezen.
• Het beweert strikt dat in de computersimulaties deze moleculen het juiste gedrag vertonen om de bacteriële verdediging potentieel te blokkeren.

De auteur suggereert dat toekomstig werk nog slimmere AI (Deep Learning) en geavanceerdere simulaties (QM/MM) kan gebruiken om deze bevindingen te verfijnen voordat ze ooit een echt lab bereiken.

Technische samenvatting

Technische Samenvatting: Revolutie in de strijd tegen bacteriën: Machine Learning en Moleculaire Dynamica onthullen potentiële remmers van Gram-negatieve bacteriën

Probleemstelling
Gram-negatieve bacteriën vormen een kritieke bedreiging voor de menselijke beschaving vanwege hun vermogen om multiresistentie (MDR) te ontwikkelen tegen belangrijke antibioticaklassen, waaronder $\beta$-lactamen, fluoroquinolonen en macroliden. De primaire mechanismen die deze resistentie aandrijven, zijn de overexpressie van tripartiete effluxpompen (specifiek de RND-familiepompen AcrAB-TolC in E. coli en MexAB-OprM in P. aeruginosa) en de enzymatische afbraak van antibiotica door esterases (zoals EreC, die macroliden zoals erytromycine en azitromycine afbreekt). Hoewel Efflux Pump Inhibitors (EPI's) en esterase-resistente geneesmiddelen zijn voorgesteld, heeft geen van deze de FDA-goedkeuring behaald, grotendeels vanwege toxiciteit en bijwerkingen. De uitdaging ligt in het identificeren van nieuwe, niet-toxische remmers die deze resistentiemechanismen effectief kunnen blokkeren zonder de tijdrovende "trial and error"-aanpak van traditionele geneesmiddelenontwikkeling.

Methodologie
De studie hanteert een tweeledige computationele aanpak die Machine Learning (ML) combineert voor remmervoorspelling en Moleculaire Dynamica (MD)-simulaties voor mechanistische validatie.

• Deel 1: Voorspelling van Efflux Pump Inhibitors (AcrB en MexB)

  • Data-curatie: Een bekend dataset van 53 effectieve EPI's werd verzameld uit de literatuur met hun Minimum Inhibitory Concentration (MIC)-waarden. Een onbekende dataset van 5.043 moleculen werd gegenereerd door vijf geselecteerde farmacoforen te combineren met 13 moleculaire fragmenten.
  • Berekening van descriptoren: Meer dan 200 moleculaire descriptoren (inclusief fysisch-chemische, ADMET- en TOPKAT-eigenschappen) werden berekend met BIOVIA Discovery Studios. Dockingscores voor de bekende remmers in de Deep Binding Pocket (DBP) van AcrB (PDB: 4DX5) en MexB (PDB: 3W9J) werden eveneens berekend.
  • Machine Learning-pijplijn: De data werd voorgebewerkt en 10 classificatiemodellen (waaronder Logistische Regressie, SVM, Random Forest, AdaBoost, XGBoost en LightGBM) werden getraind om moleculen te classificeren als "Hoog potent" (MIC < 512 $\mu$g/mL) of "Minder potent". Ongecontroleerd leren (K-Means, GMM) werd gebruikt om clustering te valideren.
  • Filteren en selectie: De best presterende modellen werden toegepast op de onbekende dataset. Hits werden gefilterd aan de hand van: (1) Consensusvoorspelling (doelwaarde "1" in LightGBM en ten minste twee andere modellen), (2) Lipinski's Rule of 5, en (3) Dockingscores ($\le$ -10,5 kcal/mol).
  • MD-simulaties: De top acht kandidaten ondergingen 200 ns klassieke MD-simulaties (met AMBER 18) om structurele stabiliteit, vrije bindingsenergie (MMPBSA) en interacties binnen de effluxpompen te analyseren.

• Deel 2: Mechanisme van macrolide-afbraak door EreC

  • Systeemopstelling: Twee kristalstructuren van EreC (Open: 6XCS; Gesloten: 6XCQ) werden gesimuleerd met Erytromycine en Azitromycine.
  • Simulaties: Klassieke MD-simulaties (400 ns) werden uitgevoerd voor apo- en ligand-gebonden toestanden van beide conformaties.
  • Analyse: Structurele veranderingen werden geanalyseerd via RMSD, Straal van Gyration (RoG) en RMSF. Bindingsaffiniteiten werden geschat met de QM/MM-GBSA-methode (met een PM3 semi-empirische QM-Hamiltoniaan) om de stabiliteit van de open versus gesloten toestanden bij ligandbinding te evalueren.

Belangrijkste resultaten

• Machine Learning-prestaties: Van de 10 geteste modellen vertoonde LightGBM superieure prestaties met 91% nauwkeurigheid en een AUC van 0,88, en presteerde beter dan Random Forest, AdaBoost en SVM. Analyse van de feature-importantie benadrukte structurele en farmacokinetische parameters (bijv. Shadow_Xlength, N_Count) als cruciaal voor potentie.
• Voorspelling van remmers: Van de initiële 5.043 moleculen identificeerde de filterpijplijn acht topkandidaten. Alle acht deelden een pyridopyrimidone-kernstructuur, een farmacofore die bekend staat om hoge effluxpompremming en verminderde plasma-eiwitbinding.
• MD-analyse van effluxpompen:
  • Ligand 6 (Mol. 3488) kwam naar voren als de meest veelbelovende kandidaat, met een hoge bindingsaffiniteit voor zowel AcrB ($\Delta G \approx -43,58$ kcal/mol) als MexB ($\Delta G \approx -43,52$ kcal/mol).
  • Ligand 6 nam een V-vormige oriëntatie aan binnen de DBP, waarbij uitgebreide $\pi$-$\pi$- en alkyl-$\pi$-interacties plaatsvonden met fenylalanineresiduen (PHE136, PHE178, PHE610, enz.).
  • MD-simulaties gaven aan dat ligandbinding een "pocket-verwijdend" effect induceert in AcrB en de flexibiliteit van de "switch loop" beperkt, wat potentieel de functionele rotatie van de pomp (L-T-O-cyclus) kan arresteren.
• MD-analyse van EreC:
  • Simulaties bevestigden dat macrolidebinding een conformatieverandering induceert van de Open naar de Gesloten toestand. De RMSD- en RoG-analyses toonden aan dat ligand-gebonden open systemen significant afweken van hun apo-vormen, terwijl gesloten systemen stabiel bleven.
  • QM/GBSA-resultaten onthulden aanzienlijk hogere bindingsaffiniteiten in de gesloten conformatie (bijv. Azitromycine: -33,86 kcal/mol) vergeleken met de open vorm, wat het "induced fit"-mechanisme valideert.
  • Waterstofbruggenanalyse bevestigde de interactie tussen de macrolidezuurstof en het katalytische residu Arg-261, wat het voorgestelde katalytische mechanisme ondersteunt dat His-50, Glu-78 en His-289 omvat.

Betekenis en claims
Het artikel claimt waardevolle inzichten te bieden in de mechanismen van drugresistentie die worden bemiddeld door RND-effluxpompen en erytromycine-esterases. Door ML te integreren met MD, slaagde de studie erin nieuwe EPI-kandidaten te voorspellen (specifiek Lig6, Lig2 en Lig3) die de voor binding cruciale pyridopyrimidone- en benzothiazole-moieties bezitten. Het onderzoek suggereert dat deze moleculen het functionele roterende mechanisme van AcrB en MexB kunnen verstoren. Bovendien valideert de studie de structurele overgang van EreC van open naar gesloten toestanden bij macrolidebinding, wat de rol van specifieke katalytische residuen in enzymatische afbraak bekrachtigt. De auteurs concluderen dat deze bevindingen een fundament vormen voor toekomstige in-silico en in-vitro farmacofore-gebaseerde modellering van EPI's voor Gram-negatieve bacteriën, hoewel zij erkennen dat verdere experimentele validatie en geavanceerdere deep learning-methoden voor toekomstige iteraties nodig zijn.