Assessing the translation of AI-prioritized genome-derived peptide fragments into validated antimicrobial candidates
Deze studie toont aan dat door AI geprioriteerde mijnbouw van *Malassezia furfur*-genomen gevalideerde antimicrobiële peptiden oplevert die effectief zijn tegen *Staphylococcus aureus*, waarmee een reproduceerbare pijplijn wordt gevestigd die computationele voorspelling overbrugt met experimentele bevestiging, terwijl zowel het potentieel als de beperkingen van AI-gestuurde antimicrobiële ontdekking worden belicht.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Decennialang heeft de medische wereld vertrouwd op een klein arsenaal aan antibiotica om bacteriële infecties te bestrijden, maar deze medicijnen verliezen hun kracht. Bacteriën evolueren snel en leren te overleven met de middelen die juist bedoeld zijn om hen te doden, wat de dreiging met zich meebrengt dat routinematige operaties en veelvoorkomende ziekten weer gevaarlijk worden. Wetenschappers zoeken dringend naar nieuwe manieren om deze pathogenen te stoppen, en één veelbelovende weg betreft minuscule eiwitfragmenten die antimicrobiële peptiden worden genoemd. In tegen tegenstelling tot traditionele antibiotica, die zich richten op specifieke interne mechanismen, werken deze peptiden vaak door de buitenste schil van een bacteriële cel fysiek te verstoren, een verdedigingsmechanisme dat voor bacteriën veel moeilijker te omzeilen is. Het vinden van het juiste peptide is echter als het zoeken naar een speld in een hooiberg; het aantal mogelijke combinaties is zo groot dat het testen ervan één voor één onmogelijk is. Om dit op te lossen, wenden onderzoekers zich tot kunstmatige intelligentie om te voorspellen welke sequenties zouden kunnen werken, maar de echte test blijft of deze door computers gegenereerde vermoedens daadwerkelijk functioneren in de levende wereld.
Een team van onderzoekers van universiteiten in Colombia besloot deze aanpak te testen door niet naar willekeurige sequenties te kijken, maar naar de genetische code van een specifieke gist die van nature op de menselijke huid leeft. Deze gist, bekend als Malassezia furfur, deelt haar omgeving met bacteriën, waaronder Staphylococcus aureus, een veelvoorkomende en vaak gevaarlijke pathogeen. De wetenschappers redeneerden dat als deze twee organismen al miljoenen jaren met elkaar concurreren om ruimte en middelen op de huid, de gist mogelijk genetische instructies heeft ontwikkeld om fragmenten te produceren die bacteriën schade kunnen toebrengen. Ze gebruikten kunstmatige intelligentie om het volledige genoom van de gist te doorzoeken, op zoek naar korte eiwitstukjes die voldeden aan het fysieke profiel van een wapen: ze moesten de juiste grootte hebben, een specifieke elektrische lading dragen en de juiste balans hebben tussen waterminnende en waterafstotende eigenschappen om met bacteriële membranen te interageren.
Het proces begon met het opbreken van de genetische code van de gist in miljoenen minuscule fragmenten met behulp van een digitale simulatie van enzymen die DNA knippen. Vanuit een initiële pool van meer dan 660.000 fragmenten pasten de onderzoekers een reeks filters toe om het veld te verkleinen. Eerst verwijderden ze alle fragmenten die te lang, te kort waren of de noodzakelijke elektrische lading misten om bacteriën aan te trekken. Dit liet hen met een veel kleinere groep kandidaten die op papier veelbelovend leken. Vervolgens gebruikten ze een geavanceerd computermodel dat getraind was om patronen van antimicrobiële activiteit te herkennen om deze kandidaten te rangschikken. Om de resultaten robuust te maken, behielden ze alleen de fragmenten die identiek voorkwamen in twee verschillende stammen van de gist, wat suggereerde dat dit stabiele, geconserveerde kenmerken waren in plaats van willekeurige fouten. Dit rigoureuze trechterproces reduceerde de enorme lijst tot slechts vier peptiden die het team besloot te synthetiseren en in het laboratorium te testen.
Toen de onderzoekers deze vier peptiden in het laboratorium creëerden en ze blootstelden aan Staphylococcus aureus, waren de resultaten gemengd maar veelzeggend. Twee van de peptiden, die het team PIAM23 en PIAM29 noemde, slaagden erin de groei van de bacteriën te vertragen. Onder een krachtige microscoop zagen de bacteriën die behandeld waren met deze twee peptiden er beschadigd en gebroken uit, waarbij hun buitenste wanden gerimpeld waren en lekten, wat erop wees dat de peptiden succesvol hun verdediging hadden doorbroken. De andere twee peptiden hadden geen enkel effect op de bacteriën. Interessant genoeg bleken de twee succesvolle peptiden ook effectief tegen de gist waar ze vandaan kwendamen, wat suggereert dat ze zowel bacteriële als schimmelinfecties kunnen bestrijden. Cruciaal was dat wanneer ze op menselijke huidcellen werden getest, geen van de vier peptiden schade veroorzaakte, zelfs niet bij de concentraties die nodig waren om de microben te stoppen, wat wijst op een veelbelovend veiligheidsprofiel.
Een van de meest significante bevindingen van het onderzoek betrof de wijze waarop deze peptiden daadwerkelijk werken. Lange tijd geloofden wetenschappers dat deze peptiden zich in een specifieke, rigide spiraalvorm moesten vouwen voordat ze een cel konden aanvallen. De computermodellen in dit onderzoek suggereerden dat de twee succesvolle peptiden dergelijke spiralen zouden kunnen vormen, maar wanneer de onderzoekers ze rechtstreeks in een vloeibare oplossing bekeken, vertoonden ze die vorm niet. In plaats daarvan leken ze ongeordend en flexibel. Deze discrepantie suggereert dat de peptiden geen vooraf gevormde spiralen hoeven te zijn om effectief te zijn; ze hoeven simpelweg over de juiste chemische ingrediënten te beschikken, zoals een hoog gehalte aan specifieke vetcomponenten, om in contact te komen met de bacteriële wand zodra ze contact maken. De studie vond ook dat hoewel alle vier de peptiden in een reageerbuis met een model van een bacteriële membraan konden interageren, alleen de twee met de juiste chemische balans de bacteriën daadwerkelijk in een echte biologische setting stopten met groeien.
Het onderzoek demonstreert dat het gebruik van kunstmatige intelligentie om de genetische code van organismen te ontdekren die van nature samenleven met pathogenen een levensvatbare strategie is voor het ontdekken van nieuwe medicijnen. Door te beginnen met een biologisch gefundeerde bron in plaats van willekeurige sequenties, vond het team kandidaten die in het laboratorium werkten. Echter, de studie benadrukt ook de beperkingen van de huidige computermodellen; hoewel ze veelbelovende kandidaten kunnen identificeren, kunnen ze nog niet perfect voorspellen welke exacte vorm een peptide zal aannemen of het succes ervan garanderen. Het feit dat twee van de vier gesynthetiseerde peptiden werkten, bevestigt dat de aanpak verdienste heeft, maar het falen van de andere twee herinnert ons eraan dat computervoorspellingen slechts een startpunt zijn. Het ultieme bewijs van een nieuwe medicijnkandidaat vereist nog steeds fysieke tests in het laboratorium, en dit werk biedt een duidelijk, reproduceerbaar pad van een genetisch idee naar een gevalideerde, veilige en effectieve antimicrobiële kandidaat.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.