Un enfoque de aprendizaje automático para revelar los mecanismos de acción de los antibióticos

Área de la Ciencia:

• La bioquímica
• Biología de sistemas
• Aprendizaje automático

Sus antecedentes:

• Los métodos actuales de aprendizaje automático sobresalen en la asociación de señales biológicas con fenotipos, pero no pueden establecer causalidad.
• Comprender los mecanismos causales es crucial para avanzar en el descubrimiento de fármacos y en los estudios de eficacia.

Objetivo del estudio:

• Desarrollar y aplicar un enfoque integrado para identificar los mecanismos causales subyacentes a la eficacia de los antibióticos.
• Aclarar el papel de los estados metabólicos en la respuesta bacteriana a los antibióticos.

Principales métodos:

• Desarrolló un enfoque de "caja blanca" que integra la detección bioquímica, el modelado de redes metabólicas a escala de genoma y el aprendizaje automático.
• Se realizó un control de detección de metabolitos contra antibióticos bactericidas en Escherichia coli.
• Los estados metabólicos simulados utilizando un modelo de red metabólica y datos de cribado con regresión en comparación con las simulaciones.

Principales resultados:

• Identificó la biosíntesis de purinas como un factor clave en la letalidad de los antibióticos.
• Demostró que la limitación de la adenina inducida por antibióticos eleva la demanda de ATP y el metabolismo central del carbono.
• Se ha demostrado que el aumento de la actividad metabólica aumenta los efectos de los antibióticos.

Conclusiones:

• El modelo de red integrado y el enfoque de aprendizaje automático pueden identificar mecanismos causales complejos.
• Las perturbaciones metabólicas, específicamente la limitación de la adenina, influyen significativamente en la eficacia de los antibióticos.
• Este marco ofrece una vía para comprender y predecir las respuestas a los medicamentos.