MtbAIM: AI/ML-guided endpoint-specific prediction of small-molecule activity across drug-susceptible and drug-resistant Mycobacterium tuberculosis

Tuberculose blijft een van de meest hardnekkige infectieuze bedreigingen voor de mensheid, een ziekte die ondanks decennia aan medische inspanningen jaarlijks meer dan een miljoen levens blijft eisen. De situatie is steeds precairder geworden omdat de bacteriën die verantwoordelijk zijn voor de ziekte evolueren om te overleven tegen de middelen die juist ontworpen zijn om hen te doden. Wanneer een stam van tuberculose resistent wordt tegen standaardmedicijnen, krimpt de reeks behandelopties drastisch, wat artsen er vaak toe dwingt om terug te vallen op oudere, giftigere of minder effectieve therapieën. Voor wetenschappers die proberen nieuwe geneesmiddelen te ontdekken, creëert dit een moeilijke puzzel: een chemische verbinding kan perfect werken tegen een standaard, medicijngevoelige versie van de bacterie, maar volledig falen tegen een resistente stam. Het vinden van een nieuw medicijn gaat niet langer alleen over het vinden van iets dat de bacteriën doodt; het gaat over het vinden van iets dat de bacteriën doodt, zelfs wanneer ze hebben geleerd om terug te vechten.

In de afgelopen jaren hebben onderzoekers zich tot kunstmatige intelligentie gewend om te helpen dit puzzelstuk op te lossen, in de hoop enorme bibliotheken van chemische structuren te kunnen scannen en te voorspellen welke zouden kunnen werken voordat ze ooit in een laboratorium worden getest. Veel van deze computermodellen hebben de tuberculosebacteriën echter behandeld alsof ze allemaal hetzelfde waren, of ze hebben zich alleen gericht op één enkele maatstaf voor hoe goed een medicijn werkt. Deze aanpak riskeert het missen van de cruciale verschillen tussen bacteriën die gemakkelijk te behandelen zijn en die niet. Een nieuwe studie van onderzoekers aan het Indian Institute of Technology-Delhi pakt dit gat aan door een gespecialiseerd systeem te bouwen dat medicijngevoelige en medicijnresistente bacteriën als afzonderlijke uitdagingen behandelt, terwijl het ook naar verschillende niveaus van medicijnpotentie kijkt om te zien hoe sterk een verbinding precies moet zijn.

Het team, onder leiding van Jasdeep Singh en Kritika Singh, begon met het verzamelen van een enorme collectie bestaande gegevens over hoe diverse kleine moleculen interageren met tuberculosebacteriën. Ze haalden bijna 30.000 records uit een publieke wetenschappelijke database en scheidden de informatie zorgvuldig in twee groepen: één die gegevens bevatte over hoe verbindingen medicijngevoelige bacteriën beïnvloeden, en een andere voor die invloed hebben op resistente stammen. Ze zorgden er ook voor dat de gegevens niet slechts een simpele lijst waren van "werkt" of "werkt niet", maar dat ze specifieke metingen bevatten van de concentratie die nodig is om de groei van de bacteriën te stoppen. Dit stelde hen in staat om onderscheid te maken tussen een verbinding die louter actief is en een die zeer potent is.

Om hun computermodellen te trainen, voedden de onderzoekers deze chemische structuren aan verschillende soorten digitale representaties. Sommige van deze representaties gebruikten gevestigde methoden om de fysieke en chemische eigenschappen van de moleculen te beschrijven, terwijl andere geavanceerde, vooraf getrainde kunstmatige intelligentiesystemen gebruikten die zelfstandig de moleculaire vormen hadden leren begrijpen. Het doel was om te zien welke methode beter was in het voorspellen of een nieuwe, ongeziene chemische stof zou werken tegen de bacteriën. Cruciaal was dat de onderzoekers hun modellen testten met een rigoureuze methode die ervoor zorgde dat de computer niet simpelweg de vormen van moleculen die het al gezien had, uit het hoofd leerde. In plaats daarvan testten ze de modellen op geheel nieuwe chemische families, waarmee ze het scenario in de echte wereld simuleerden waarbij een medicijn wordt ontdekt voor een structuur die de computer nog nooit eerder was tegengekomen.

De resultaten toonden een duidelijk patroon. Hoewel de geavanceerde, vooraf getrainde systemen van kunstmatige intelligentie in staat waren om nuttige informatie over de moleculen te leren, presteerden ze niet consistent beter dan de meer traditionele, gevestigde methoden voor het beschrijven van chemische structuren. Sterker nog, voor zowel medicijngevoelige als medicijnresistente bacteriën bleken de modellen die standaard chemische beschrijvingen combineerden met boomgebaseerde beslissingsalgoritmen het meest betrouwbaar. Deze modellen voorspelden succesvol of een verbinding actief zou zijn en, misschien nog belangrijker, schatten de specifieke sterkte van die activiteit met een hoge mate van nauwkeurigheid in. Het systeem kon de complexiteit van medicijnresistentie aan, waarbij het aantoonde dat het vermogen van een verbinding om de bacteriën te doden geen enkele vaste eigenschap is, maar sterk afhangt van het specifieke type bacterie waarmee het wordt geconfronteerd.

Om deze bevindingen bruikbaar te maken voor andere wetenschappers, bouwden de onderzoekers een gratis online platform genaamd MtbAIM. Met deze tool kan iedereen de chemische structuur van een molecuul invoeren en direct een voorspelling ontvangen over hoe goed deze mogelijk werkt tegen zowel medicijngevoelige als medicijnresistente tuberculose. Het platform biedt een dubbele output: het vertelt de gebruiker of de verbinding waarschijnlijk actief is, en geeft een specifieke schatting van de potentie ervan. Deze dubbele capaciteit is essentieel omdat het onderzoekers helpt om de meest veelbelovende kandidaten te prioriteren, waardoor tijd en middelen worden bespaard door zich te concentreren op de meest kansrijke stoffen. Het systeem vervangt niet de noodzaak voor daadwerkelijke laboratoriumtests, maar fungeert als een krachtig filter dat wetenschappers richting de chemicaliën leidt die de grootste kans op succes hebben.

De studie benadrukte ook het belang van het kijken naar verschillende niveaus van medicijnpotentie. De onderzoekers ontdekten dat het voorspellen van de exacte concentratie die nodig is om bacteriële groei te stoppen mogelijk was, maar dat de nauwkeurigheid van deze voorspellingen varieerde afhankelijk van de hoeveelheid beschikbare data voor die specifieke meting. Voor de meest voorkomende metingen waren de modellen vrij precies, maar voor zeldzamere datapunten was de onzekerheid groter. Door deze verschillende metingen gescheiden te houden in plaats van ze te mengen, zorgden de onderzoekers ervoor dat de onzekerheid zichtbaar en eerlijk was. Deze transparantie is een kernkenmerk van hun aanpak, aangezien het gebruikers voorkomt de zekerheid van een voorspelling te overschatten wanneer de onderliggende data schaars zijn.

Uiteindelijk toont dit werk aan dat kunstmatige intelligentie een praktische partner kan zijn in de strijd tegen tuberculose, mits het is ontworpen met de biologische realiteiten van de ziekte in gedachten. Door medicijngevoelige van medicijnresistente bacteriën te scheiden en door verschillende maten van medicijnsterkte als afzonderlijke vragen te behandelen, hebben de onderzoekers een instrument gecreëerd dat een genuanceerder en realistischer beeld geeft van potentiële nieuwe behandelingen. De bevinding dat traditionele chemische beschrijvingen nog steeds hun waarde bewijzen tegenover nieuwere, complexere AI-modellen, suggereert dat in de wereld van medicijnontwikkeling gevestigde methoden gecombineerd met zorgvuldige gegevensverwerking net zo krachtig kunnen zijn als de nieuwste technologische trends. Het resulterende platform biedt een duidelijke, toegankelijke manier voor de wereldwijde wetenschappelijke gemeenschap om nieuwe chemicaliën te screenen, waarmee we een stap dichter bij het vinden van de volgende generatie behandelingen voor tuberculose komen.