使用两阶段透明机器学习模型对抗微生物组合疗法的超高通量选

科学领域:

• 计算生物学是一种计算生物学.
• 机器学习是机器学习.
• 药物发现 药物发现

背景情况:

• 抗微生物药物耐药性是一个日益增长的全球健康威胁.
• 发现有效的抗微生物药物组合对于治疗至关重要.
• 目前用于识别药物组合的方法通常是昂贵和耗时的.

研究的目的:

• 开发和验证M2D2,一个新的两阶段机器学习管道,用于识别协同作用的抗微生物药物组合.
• 使用计算生成的药物蛋白相互作用数据来预测药物协同作用,减少对omics数据的依赖.
• 为药物相互作用提供机制性见解,并通过实验验验证发现.

主要方法:

• 开发了一个两阶段的机器学习 (ML) 管道 (M2D2),利用计算生成的药物蛋白相互作用数据.
• 在ML阶段之间进行综合反,以提高药物标识准确性.
• 与化学基因组学,转录基因组学和代谢基因组学数据集对比的基准M2D2.
• 经过实验验证的M2D2预测,使用946种药物组合的高通量查来对抗大肠杆菌.

主要成果:

• M2D2成功地确定了协同作用的抗微生物药物组合.
• 实验验证证了脑血管药物和青素抗生素之间的协同作用.
• 用全基因组CRISPR抑制幕验证了协同作用组合的作用机制.
• 与传统方法相比,M2D2管道在预测药物协同作用方面表现出更好的准确性.

结论:

• M2D2提供了一个透明和高效的机器学习工具,用于发现抗微生物药物组合.
• 该管道促进了组合疗法的快速设计,并指导了药物重新定位的努力.
• M2D2为药物相互作用提供了有价值的机制性见解,有助于打击抗菌素耐药性.