预先训练的分子表示使抗微生物发现成为可能

科学领域:

• 计算化学是一种计算化学.
• 药物发现 药物发现
• 机器学习 机器学习

背景情况:

• 抗菌素耐药性 (AMR) 是一个日益严重的全球卫生危机,减少了现有的抗生素的有效性.
• 对抗微生物活性新型化合物的实验查是资源密集且缓慢的.
• 目前用于药物发现的深度学习模型通常需要广泛的定制培训数据.

研究的目的:

• 引入一种轻量级的计算策略,以加速抗微生物发现.
• 为了利用自我监督的学习来生成分子表示.
• 开发一种用于评估使用未标记化学结构的抗微生物潜力的预测模型.

主要方法:

• 利用了MoleE (通过冗余减少嵌入的分子表示),一个自我监督的深度学习框架.
• 结合了MoleE的学习分子表示与现有的化合物-细菌活动数据.
• 开发了一种用于评估抗微生物潜力的一般预测模型.

主要成果:

• 该模型成功地识别了与当前抗生素不同的新型增长抑制化合物.
• 发现并实验验证了三种现有的针对人类的药物作为黄金葡萄球菌的抑制剂.
• 证明了该模型评估化合物的抗菌潜力的能力.

结论:

• 拟议的计算框架提供了一种具有成本效益和可行的方法来加速抗生素发现.
• 这一策略可以通过利用未标记的化学数据,帮助识别新的抗菌剂.
• 这些发现突出了自我监督学习在解决抗药性抵抗危机方面的潜力.