大多數抗生素通過干擾關鍵功能來發揮作用，如DNA復制或細菌細胞壁的構建。然而，這些機制只是抗生素全部作用的一部分。

在一項關于抗生素作用的新研究中，麻省理工學院的研究人員開發了一種新的機器學習方法，以發現另一種幫助某些抗生素殺死細菌的機制。這種次要機制涉及激活細菌核苷酸代謝，細胞需要這些核苷酸來復制它們的DNA。

“由于藥物壓力，對細胞有巨大的能量需求。這些能量需求需要代謝反應，一些代謝副產物是有毒的，有助于殺死細胞，”特爾梅爾教授詹姆斯科林斯說。研究人員表示，使用這種機制可以幫助研究人員找到可以與抗生素一起使用的新藥，以提高其殺傷能力。

柯林斯和沃克多年來一直在研究抗生素的作用機制。他們的研究表明，抗生素治療往往會產生大量的細胞壓力，從而對細菌細胞產生巨大的能量需求。在這項新的研究中，柯林斯和楊決定使用機器學習方法來研究這種情況是如何發生的以及后果是什么。

在開始計算機建模之前，研究人員在大腸桿菌中進行了數百次實驗。他們用三種抗生素中的一種——氨芐青霉素、環丙沙星或慶大霉素來治療細菌。在每個實驗中，他們還添加了大約200種不同代謝物中的一種，包括一系列氨基酸、碳水化合物和核苷酸(DNA的組成部分)。對于抗生素和代謝物的每種組合，他們測量了對細胞存活的影響。

“我們使用了各種代謝紊亂，以便我們可以看到破壞核苷酸代謝、氨基酸代謝和其他代謝亞類的影響。我們希望從根本上了解哪些以前沒有描述過的代謝途徑可能對我們理解抗生素如何致死很重要。”

許多其他研究人員使用機器學習模型來分析生物實驗的數據，并訓練算法根據實驗數據生成預測。然而，這些模型通常是“黑箱”，這意味著它們不會揭示構成其預測的機制。為了解決這個問題，MIT團隊采用了一種新穎的方法，他們稱之為“白盒”機器學習。他們沒有直接將數據輸入到機器學習算法中，而是首先通過Palsson實驗室描述的大腸桿菌代謝的基因組規模的計算機模型來運行它。這使得他們能夠生成一系列由數據描述的“代謝狀態”。然后，他們將這些狀態轉換成機器學習算法，該算法可以識別不同狀態與抗生素治療結果之間的關系。

“我們在這里展示的是，通過讓網絡模擬先解讀數據，然后讓機器學習算法為我們的抗生素致死表型構建一個預測模型，預測模型本身選擇的項目直接映射到我們的路徑上“我已經能夠通過實驗驗證，這很令人興奮”。(生物谷)

來源：描繪一幅抗生素如何致死的更完整的圖畫

原始資料來源：Jason H. Yang、Sarah N. Wright、Meagan Hamblin、Douglas McCloskey、Miguel A .阿爾坎塔、Lars Schr bbers、Allison J. Lopatkin、Sangeeta Satish、Amir、Bernhard O. Palsson、Graham C. Walker、James J. Collins。揭示抗生素作用機制的白盒機器學習方法。細胞，2019；DOI: 10.1016/

本文來自生物谷。更多信息，請下載生物谷APP()