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

本研究利用机器学习和分子动力学技术，旨在识别针对革兰氏阴性菌耐药机制（特别是 RND 外排泵和大环内酯酯酶）的潜在抑制剂，以克服现有 FDA 批准抗菌药物的局限性。

要点

以下是普里蒂什·兰詹·乔希（Pritish Ranjan Joshi）的论文《革新抗菌战争》的解读，将其拆解为简单概念并辅以富有创意的类比。

宏观图景：细菌堡垒

将细菌想象成一座设防的城堡。几个世纪以来，我们一直试图用名为“抗生素”的“武器”征服这些城堡。然而，细菌构建了两大主要防御工事，使我们的武器失效：

1. 垃圾滑道（外排泵）： 一种机器，能在药物造成任何伤害之前，主动将其踢出城堡。
2. 碎纸机（酶）： 一种机器，能在药物发动攻击之前，将其切割成微小、无害的碎片。

本论文聚焦于两种特定的革兰氏阴性菌（如大肠杆菌和铜绿假单胞菌），并试图利用计算机科学与化学的混合手段，寻找堵塞这些机器新方法。

---

第一部分：堵塞垃圾滑道（外排泵）

问题所在：
在细菌城堡内部，存在一个巨大的三部分机器，在大肠杆菌中称为AcrAB-TolC，在铜绿假单胞菌中称为MexAB-OprM。将这台机器想象成一扇带有强力真空的旋转门。

• 工作原理： 药物进入城堡，但机器将其抓住，通过隧道旋转，然后将其射回外部世界。这就是细菌能在抗生素作用下存活的原因。
• 目标： 寻找一个能完美嵌入机器内部的“塞子”（抑制剂），以卡住齿轮，阻止其旋转。

解决方案：计算机侦探
作者没有使用缓慢且昂贵的实验室方法测试数千种化学物质，而是使用了一名**机器学习（ML）**侦探。

1. 训练： 计算机被输入了 53 种已知“塞子”化学物质及其有效性评分（MIC 值）的列表。它学会了识别使化学物质擅长堵塞机器的模式。
2. 搜索： 随后，计算机扫描了包含5,043种潜在新化学物质的庞大库。它像筛子一样，过滤掉了不合格的化学物质。
3. 过滤器：
   • 过滤器 1（AI 投票）： 计算机预测哪些化学物质效果最好。
   • 过滤器 2（安全检查）: 它检查这些化学物质是否符合“里宾斯基五规则”（Lipinski's Rule of 5，这是一组确保药物不会过大或对人体的毒性过大的规则）。
   • 过滤器 3（虚拟对接）： 计算机在细菌机器的三维模型中虚拟尝试将剩余的化学物质嵌入。如果契合度不够紧密，它们就会被拒绝。

结果：
从 5,043 个候选者中，计算机找到了8 个顶级候选者。

• 秘密成分： 所有 8 个获胜者都共享一种特定的化学核心，称为吡啶并嘧啶酮（pyridopyrimidone）。可以将其想象为适合锁孔的“万能钥匙”形状。
• 模拟： 作者运行了这些顶级候选者在机器内部长达 200 纳秒的“电影”（分子动力学模拟）。
  • 发生了什么？ 最佳候选者Lig6像楔子一样起作用。它深深坐在机器的“深结合口袋”中，以某种方式将其撑开或卡住，从而阻止旋转。
  • 关键发现： 机器有一个“开关环”（一个灵活的 flap）。当 Lig6 坐入其中时，它阻止了这个 flap 的移动，实际上冻结了机器。

---

第二部分：停止碎纸机（EreC 酶）

问题所在：
某些细菌拥有一种不同的防御机制：一种名为EreC的酶。

• 机制： 想象一种大环内酯类抗生素（如红霉素）是一条长而脆弱的丝带。EreC 酶就是一把剪刀。当丝带进入酶时，酶将丝带从中剪断，使其失效。
• 形状： 该酶有两种形状：开放（像一张大张着等待食物的嘴）和闭合（像一张夹紧以咀嚼的嘴）。

调查过程：
作者想要确切了解酶是如何抓取并切割抗生素的。

1. 设置： 他们取出了酶在“开放”和“闭合”状态下的计算机模型，并模拟了红霉素和阿奇霉素进入时发生的情况。
2. 电影（分子动力学模拟）： 他们观察了酶在 400 纳秒内的运动。

发现：

• 陷阱： 当抗生素进入“开放”的酶时，酶不会保持开放。灵活的“活性环”（即嘴巴）立即 snap 闭合，将抗生素困在其中。
• 切割： 一旦被困住，抗生素就会与酶的“剪刀”（催化残基，如 His-50 和 Glu-78）完美对齐。随后，酶将抗生素切断。
• 证据： 计算机显示，当酶处于闭合状态时，它更稳定，并且更紧密地抓住抗生素。“嘴巴”闭合是破坏过程中的关键步骤。

---

研究结论总结

论文最后得出了两个主要结论：

1. 针对垃圾滑道（外排泵）： 我们发现了 8 种新的潜在化学物质（由Lig6领衔），它们看起来非常有希望。它们具有特定的形状（吡啶并嘧啶酮），能够楔入细菌泵中，阻止其将药物踢出。
2. 针对碎纸机（EreC）： 我们确认了酶确切的工作方式。它捕获抗生素， snap 闭合其“嘴巴”，然后切断药物。这证实了“闭合”状态对抗生素来说是危险的。

该论文未声称的内容：

• 它没有说这些药物已准备好用于人类。
• 它没有声称这些药物已在真实患者或动物身上进行测试。
• 它没有说这些药物明天就能治愈感染。
• 它严格声称，在计算机模拟中，这些分子表现出正确的行为，有可能堵塞细菌防御机制。

作者建议，未来的工作可以利用更智能的人工智能（深度学习）和更先进的模拟（QM/MM）来完善这些发现，然后再将它们带入真正的实验室。

技术摘要

技术摘要：革新抗菌战：机器学习与分子动力学揭示潜在的革兰氏阴性菌抑制剂

问题陈述
由于革兰氏阴性菌能够针对包括$\beta$-内酰胺类、氟喹诺酮类和大环内酯类在内的主要抗生素类别产生多重耐药性（MDR），它们对人类文明构成了严重威胁。驱动这种耐药性的主要机制是三联体外排泵的过表达（特别是大肠杆菌中的 RND 家族泵 AcrAB-TolC 和铜绿假单胞菌中的 MexAB-OprM），以及酯酶（如降解红霉素和阿奇霉素等大环内酯类的 EreC）对抗生素的酶促降解。尽管已提出外排泵抑制剂（EPIs）和抗酯酶药物，但由于毒性和副作用，尚未有任何一种获得美国食品药品监督管理局（FDA）批准。挑战在于识别新型、无毒的抑制剂，这些抑制剂能够有效阻断这些耐药机制，同时避免传统药物发现中耗时的“试错”过程。

方法论
本研究采用双管齐下的计算方法，结合机器学习（ML）进行抑制剂预测，并利用分子动力学（MD）模拟进行机制验证。

• 第一部分：外排泵抑制剂（AcrB 和 MexB）的预测

  • 数据整理：从文献中收集了包含最小抑菌浓度（MIC）值的 53 种已知有效 EPI 的数据集。通过将 5 个选定的药效团与 13 个分子片段相结合，生成了包含 5,043 个分子的未知数据集。
  • 描述符计算：使用 BIOVIA Discovery Studios 计算了超过 200 种分子描述符（包括理化性质、ADMET 和 TOPKAT 属性）。同时计算了已知抑制剂对接到 AcrB（PDB: 4DX5）和 MexB（PDB: 3W9J）深结合口袋（DBP）中的对接评分。
  • 机器学习流程：对数据进行了预处理，并训练了 10 种分类模型（包括逻辑回归、支持向量机、随机森林、AdaBoost、XGBoost 和 LightGBM），将分子分类为“高活性”（MIC < 512 $\mu$g/mL）或“低活性”。使用无监督学习（K-Means、GMM）验证聚类效果。
  • 筛选与选择：将表现最佳的模型应用于未知数据集。通过以下方式筛选命中化合物：(1) 共识预测（LightGBM 和其他至少两个模型的目标值为"1"），(2) 利平斯基五规则（Lipinski's Rule of 5），以及 (3) 对接评分（$\le$ -10.5 kcal/mol）。
  • MD 模拟：对前八名候选化合物进行了 200 纳秒的经典 MD 模拟（使用 AMBER 18），以分析外排泵内的结构稳定性、结合自由能（MMPBSA）和相互作用。

• 第二部分：EreC 降解大环内酯的机制

  • 系统设置：对 EreC 的两种晶体结构（开放态：6XCS；闭合态：6XCQ）分别与大环内酯红霉素和阿奇霉素进行了模拟。
  • 模拟：对两种构象的无配体（apo）和配体结合状态进行了 400 纳秒的经典 MD 模拟。
  • 分析：通过均方根偏差（RMSD）、回转半径（RoG）和均方根涨落（RMSF）分析结构变化。使用 QM/MM-GBSA 方法（采用 PM3 半经验量子力学哈密顿量）估算结合亲和力，以评估配体结合后开放态与闭合态的稳定性。

关键结果

• 机器学习性能：在测试的 10 种模型中，LightGBM表现出卓越的性能，准确率为 91%，AUC 为 0.88，优于随机森林、AdaBoost 和支持向量机。特征重要性分析强调，结构和药代动力学参数（如 Shadow_Xlength、N_Count）对活性至关重要。
• 抑制剂预测：从初始的 5,043 个分子中，筛选流程确定了八个顶级候选化合物。所有八个候选化合物均共享一个吡啶并嘧啶酮核心部分，这是一种已知具有高外排泵抑制活性和降低血浆蛋白结合率的药效团。
• 外排泵的 MD 分析：
  • **配体 6（Mol. 3488）**成为最有希望的候选化合物，显示出对 AcrB（$\Delta G \approx -43.58$ kcal/mol）和 MexB（$\Delta G \approx -43.52$ kcal/mol）的高结合亲和力。
  • 配体 6 在 DBP 内采取 V 形取向，与苯丙氨酸残基（PHE136、PHE178、PHE610 等）发生广泛的$\pi$-$\pi$和烷基-$\pi$相互作用。
  • MD 模拟表明，配体结合诱导 AcrB 产生“口袋变宽”效应，并限制“开关环”（switch loop）的灵活性，从而可能阻止泵的旋转功能循环（L-T-O 循环）。
• EreC 的 MD 分析：
  • 模拟证实，大环内酯结合诱导构象从开放态向闭合态转变。RMSD 和 RoG 分析显示，配体结合的开放态系统与其无配体形式相比偏差显著，而闭合态系统保持稳定。
  • QM/GBSA结果揭示，闭合构象的结合亲和力显著高于开放形式（例如阿奇霉素：-33.86 kcal/mol），验证了“诱导契合”机制。
  • 氢键分析证实了大环内酯氧原子与催化残基Arg-261之间的相互作用，支持了涉及 His-50、Glu-78 和 His-289 的催化机制。

意义与主张
本文声称提供了关于 RND 外排泵和红霉素酯酶介导的药物耐药机制的宝贵见解。通过整合机器学习与分子动力学，该研究成功预测了新型 EPI 候选化合物（特别是 Lig6、Lig2 和 Lig3），这些化合物拥有对结合至关重要的吡啶并嘧啶酮和苯并噻唑部分。研究表明，这些分子可能破坏 AcrB 和 MexB 的功能旋转机制。此外，该研究验证了 EreC 在大环内酯结合后从开放态到闭合态的结构转变，强化了特定催化残基在酶促降解中的作用。作者总结认为，这些发现为未来针对革兰氏阴性菌的 EPI 进行基于药效团的计算机模拟和体外建模奠定了基础，尽管他们承认未来的迭代需要进一步的实验验证和更先进的深度学习方法。