Decoding antibiotic modes of action from multimodal cellular responses

In deze studie wordt MAPPER, een schaalbaar multimodaal raamwerk dat proteoomprofielen en andere celresponsgegevens integreert, gepresenteerd als een krachtig hulpmiddel voor het nauwkeurig voorspellen van het werkingsmechanisme van antibiotica en het identificeren van verbindingen met nieuwe mechanismen in *Escherichia coli*.

De kern

De "Antibiotica-Detective": Hoe een slimme computer nieuwe medicijnen ontdekt

Stel je voor dat bacteriën een enorme stad zijn, en antibiotica zijn de politieagenten die proberen de stad te redden van een opstand. Het probleem is dat de "bende" (de bacteriën) steeds slimmer wordt en nieuwe trucs bedenkt om niet meer gepakt te worden. Dit noemen we resistentie.

Om de stad te redden, moeten we nieuwe agenten (nieuwe antibiotica) vinden. Maar hier zit het probleem: tot nu toe hebben we vooral gezocht naar agenten die precies hetzelfde doen als de oude agenten. We zoeken dus alleen naar nieuwe agenten die dezelfde trucs gebruiken als de oude. Dat werkt niet meer goed, want de bende kent die trucs al. We hebben agenten nodig met hele nieuwe strategieën.

Het probleem is echter: hoe ontdek je die nieuwe strategieën? Traditioneel moet je heel lang en duur onderzoek doen om te zien hoe een nieuw medicijn werkt. Dat is alsof je elke agent urenlang moet observeren om te zien of hij een sleutel gebruikt, een ladder of een granaat.

MAPPER: De slimme detective

In dit onderzoek hebben wetenschappers een nieuwe tool bedacht die MAPPER heet. Je kunt je MAPPER voorstellen als een super-slimme detective die niet naar één ding kijkt, maar naar het hele plaatje.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Vingerafdruk" van de bacterie

Wanneer een bacterie een antibioticum krijgt, reageert het op duizenden manieren. Het is alsof de bacterie een enorme lijst maakt van wat er misgaat: "Mijn muren zijn zwak", "Mijn energiebronnen zijn leeg", "Mijn bouwplannen zijn verstoord".
MAPPER kijkt niet alleen naar één ding, maar naar een multimodale vingerafdruk. Dat betekent dat het drie dingen tegelijk bekijkt:

• De chemische structuur: Hoe ziet het medicijn eruit? (Zoals de vorm van een sleutel).
• De groei: Hoe snel stopt de bacterie met groeien? (Zoals een stopwatch).
• De eiwitten (Proteomics): Dit is het belangrijkste. MAPPER kijkt naar duizenden kleine bouwstenen (eiwitten) in de bacterie die veranderen. Dit is als kijken naar welke lichten in een fabriek branden of doven als er iets mis is.

2. Het "Vertaalboek" (Tekst en Data)

MAPPER is niet alleen een rekenmachine; het kan ook lezen. De wetenschappers hebben de detective een "woordenboek" gegeven. Ze hebben beschrijvingen geschreven van bekende manieren waarop antibiotica werken (bijvoorbeeld: "Dit medicijn breekt de muren van de bacterie").
MAPPER leert dan: "Als de bacterie-vingerafdruk er zo uitziet, en de tekst zegt 'muren breken', dan past dit medicijn bij die beschrijving."

Door dit te combineren met een trucje waarbij ze de teksten op verschillende manieren herschrijven (alsof je een verhaal op tien verschillende manieren vertelt), kan MAPPER leren van veel minder data dan normaal. Het is alsof je een kind leert wat een hond is door niet alleen naar één hond te wijzen, maar door te zeggen: "Kijk, een hond heeft een staart, een hond blaat, een hond heeft vier poten" in tien verschillende zinnen.

3. De "Nieuwheid-Alarm" (Onzekerheid)

Dit is misschien wel het coolste deel. Stel je voor dat MAPPER een medicijn ziet dat het nog nooit heeft gezien. Een oude computer zou zeggen: "Ik denk dat dit een muren-brekend medicijn is," ook al is het dat niet. Dat is gevaarlijk.

MAPPER heeft echter een onzekerheids-module. Dit werkt als een alarmbel.

• Als MAPPER een medicijn ziet dat lijkt op bekende medicijnen, zegt hij: "Ik weet zeker dat dit een muren-brekend medicijn is."
• Maar als het medicijn heel anders werkt en de bacterie reageert op een manier die MAPPER niet kent, zegt hij: "Ik weet het niet zeker. Dit medicijn heeft misschien een hele nieuwe strategie die we nog niet kennen!"

Dit alarm is cruciaal. Het helpt wetenschappers om de medicijnen te vinden die echt nieuw zijn, in plaats van alleen maar kopieën van oude medicijnen.

4. De Proef in de Praktijk

De wetenschappers hebben MAPPER getest met 51 verschillende antibiotica. Het resultaat?

• Het kon precies vertellen hoe 9 verschillende soorten antibiotica werken.
• Het kon medicijnen herkennen die een nieuwe werking hadden, zelfs als ze er heel anders uitzagen dan de oude.
• Het werkte zelfs goed als ze de data van een ander laboratorium gebruikten met een ander apparaat (alsof je de detective een ander soort camera geeft).

Waarom is dit belangrijk?

Vroeger duurde het jaren om te ontdekken hoe een nieuw medicijn werkt. Met MAPPER kunnen we dit veel sneller doen. Het helpt ons om de "naald in de hooiberg" te vinden: die ene nieuwe antibioticum-strategie die de bacteriën niet kennen.

Samengevat:
MAPPER is als een slimme detective die niet alleen kijkt naar het wapen (het medicijn), maar naar de schade die het doet in de stad (de bacterie). Als de schade er anders uitziet dan normaal, slaat het alarm: "Let op! Dit is iets nieuws!" Dit geeft ons een kans om de opstand van de bacteriën eindelijk te stoppen.

Technische samenvatting

Probleemstelling

Antibioticaresistentie neemt wereldwijd toe, terwijl de goedkeuring van nieuwe antibiotica afneemt. Een groot knelpunt in de ontdekking van nieuwe geneesmiddelen is het snel en schaalbaar bepalen van de werkingsmechanisme (Mode of Action, MoA) van nieuwe verbindingen. Traditionele methoden voor target-identificatie (zoals sequencing van resistente stammen of ABPP) zijn tijdrovend, duur en vaak niet schaalbaar. Bovendien focussen veel nieuwe kandidaten op bekende targets, wat leidt tot kruisresistentie. Er is behoefte aan een methode die niet alleen bekende mechanismen kan classificeren, maar ook verbindingen met nieuwe, onbekende mechanismen kan detecteren, zelfs wanneer de trainingsdata beperkt is.

Methodologie: Het MAPPER Framework

De auteurs hebben MAPPER (Mode of Action Prediction via Proteomics-Enhanced Representation) ontwikkeld, een multimodaal machine learning-framework voor Escherichia coli.

1. Datageneratie en Multimodaliteit:

• Er werd een dataset samengesteld van 51 antibiotica met bekende activiteit tegen E. coli, verdeeld over 9 mechanistische klassen (bijv. eiwitsynthese-inhibitie, celwand-synthese, DNA-replicatie).
• Voor elke verbinding werden vier soorten data verzameld:
  • Fenotypische data: Minimale remmende concentraties (MIC) en groeikinetiek.
  • Chemische structuur: Extended-Connectivity Fingerprints (ECFPs).
  • Proteomics: Kwantitatieve massaspectrometrie (bottom-up) van het volledige proteoom na blootstelling aan het antibioticum.
  • Tekstuele beschrijvingen: Tekstuele definities van de MoA-klassen.
• Om de beperkte steekproefgrootte (ongeveer 200 biologische replicaten) te overwinnen, werd het probleem herformuleerd als een binair "beschrijving-kenmerk" matching-taak. Elke chemische vingerafdruk werd gepaard met alle 9 mogelijke MoA-beschrijvingen (juist of onjuist), wat de dataset vergrootte tot ~1.800 rijen.
• Data-augmentatie: De tekstuele beschrijvingen werden verder uitgebreid met semantische herschrijvingen (via ChatGPT), wat de dataset vergrootte tot ~18.000 rijen en de generalisatie van het model verbeterde.

2. Modelarchitectuur:

• Predictor: Een TabM-model (een transformer-gebaseerde tabelmodel) dat de multimodale input (proteomics, chemische structuur, InfoAlign-embeddings, MIC/groeicurve) combineert met tekstuele embeddings (gegenereerd via BioBERT) om de waarschijnlijkheid te voorspellen dat een specifieke MoA-beschrijving past bij de verbinding.
• Onzekerheidsmodule: Een cruciaal onderdeel om nieuwe mechanismen te detecteren. Omdat het model alleen getraind is op bekende klassen, zou het standaard een van die klassen voorspellen, zelfs voor een compleet nieuwe verbinding. De onzekerheidsmodule analyseert metadata van de voorspelling (zoals entropie, variatie tussen biologische replicaten, ensemble-variatie en disagreement tussen augmentaties) om een foutkans (error probability) te berekenen. Als deze kans hoog is, wordt de verbinding als "onzeker" gemarkeerd, wat wijst op een mogelijk nieuw mechanisme.

Belangrijkste Resultaten

1. Prestaties en Feature-Importantie:

• Het model classificeerde antibiotica met hoge nauwkeurigheid over de 9 mechanistische klassen.
• Proteomics bleek de meest informatieve modale te zijn. Hoewel chemische structuren goed werkten voor bekende scaffolds, waren ze ontoereikend voor structureel unieke verbindingen. Proteomics kon correcte classificaties leveren zelfs bij lage structurele gelijkenis.
• Traditionele pathway-enrichment analyses (STRING) faalden bij het correct identificeren van het MoA voor veel verbindingen, terwijl het ML-model dit wel deed, wat aantoont dat ML subtiele, gedistribueerde signalen in het proteoom kan extraheren die voor mensen niet direct interpreteerbaar zijn.

2. Detectie van Nieuwe Mechanismen (Novelty Detection):

• In een "Leave-One-Class-Out" (LOCO) test, waarbij een hele MoA-klasse uit de training werd verwijderd, slaagde het onzekerheidsmodel erin om deze verbindingen correct als "onzeker" te flaggen.
• Validatie met externe data: Bij het testen van 5 volledig nieuwe antibiotica (waaronder cystobactamid en nitroxoline) bleek:
  • Cystobactamid (bekend mechanisme, DNA-synthese) werd correct geclassificeerd en als betrouwbaar gemarkeerd.
  • Nitroxoline en andere verbindingen met nieuwe mechanismen werden correct als onzeker gemarkeerd, ondanks dat het model soms een hoge waarschijnlijkheid voor een bekende klasse gaf. Dit toont aan dat de onzekerheidsmodule niet alleen op voorspellingsscore kijkt, maar op stabiliteit en entropie.

3. Robuustheid en Transfer Learning:

• Het model werd getest op data gegenereerd op een ander massaspectrometer en in een ander laboratorium (Subanovic et al. dataset).
• Direct toepassen op ruwe intensiteiten leverde geen betrouwbare voorspellingen op door platform-specifieke variatie.
• Echter, door te filteren op statistisch significante veranderingen in eiwitniveaus (in plaats van absolute intensiteiten), kon het model het MoA van imipenem correct voorspellen, terwijl het juist onzeker bleef voor verbindingen met zwakke signalen. Dit bewijst dat het mechanistische signaal robuust is over verschillende experimentele setups.

Bijdragen en Significantie

1. Schaalbaar Framework: MAPPER biedt een schaalbare oplossing voor het snelle bepalen van het werkingsmechanisme van antibiotica, wat essentieel is voor het prioriteren van kandidaten in vroege ontdekkingsfasen.
2. Novelty Detection: Het is een van de eerste systemen dat niet alleen klassificeert, maar ook actief waarschuwt wanneer een verbinding waarschijnlijk een nieuw werkingsmechanisme heeft, wat cruciaal is voor het doorbreken van de huidige resistentiecrisis.
3. Proteomics als Gouden Standaard: De studie onderstreept dat proteomics, in combinatie met machine learning, superieur is aan alleen structurele analyse of traditionele pathway-analyses voor het begrijpen van complexe cellulaire responsen.
4. Open Data en Code: De auteurs hebben een uitgebreide dataset van proteomics-data (PXD076144) en de volledige code beschikbaar gesteld, wat reproducible research en verdere ontwikkeling in de gemeenschap mogelijk maakt.
5. Toekomstperspectief: De methode kan worden uitgebreid naar andere Gram-negatieve bacteriën en kan worden toegepast op niet-letaliteit-gerelateerde fenotypes, zoals virulentiefactoren of stressresponsen, wat de scope van antibiotica-ontdekking verruimt.

Samenvattend stelt MAPPER een nieuwe standaard neer voor computergestuurde antibioticumontdekking door multimodale data te integreren, machine learning te gebruiken voor subtiele signaalextractie en onzekerheidsmeting toe te passen om innovatieve therapeutische kandidaten te identificeren.