先睹為快
靶點
病原菌，超級細菌
模型訓練庫
FDA數據庫(1760個分子)
天然產物（800個分子）
篩選庫
藥物庫：Drug Repurposing Hub（6111）
實體庫：ZINC15（~1億類抗生素分子）
計算方法
有向消息傳遞的深度神經網絡（Directed message passing neural network）
計算軟件
RDKit, Chemprop
計算流程
作者首先利用藥物庫和天然產物構建了一個訓練集（2335個分子），並根據對大腸桿菌的抑制活性將化合物分為兩類：hits或者non-hits。隨後使用有向消息傳遞的深度神經網絡訓練模型，模型AUC值達到0.896。利用這個模型對藥物庫（Drug Repurposing Hub，6111）篩選發現具有廣譜抗菌效應的新型抗生素halicin（糖尿病藥物）。隨後對ZINC15中約1億類抗生素分子進行篩選，選擇預測打分>0.8並且與已知抗生素相似度
<0.4的23個化合物，測試發現8個至少對一種細菌有效，其中2個具有廣譜抗菌效果。
有向消息傳遞深度神經網絡
作者使用有向消息傳遞深度神經網絡（directed-message passing neural network），直接從分子的圖結構中預測分子特性，其中原子表示為節點，鍵表示為邊界。作者重建了與每個化合物的SMILES字符串相對應的分子圖。接下來，作者初始化了一個特徵向量，基於單個原子和鍵的可計算特徵：原子特徵：原子序數，每個原子的鍵數，電荷，手性，氫鍵數，雜化，芳香性，原子量。鍵特徵：鍵類型（單/雙/三/芳香），共軛，環成員，立體化學。該模型應用了一系列消息傳遞步驟，在該步驟中，它將來自相鄰原子的信息彙總並結合，以建立對局部化學的理解。經過固定數量的消息傳遞步驟後，對分子中學習到的單個特徵進行求和，以生成整個分子的單個特徵。這種特徵化通過前饋神經網絡進行饋送，輸出預測值。作者使用分子是否抑制大腸桿菌生長作為分類標準，因此訓練該模型輸出0或者1來表示它對於輸入分子的預測。
總結
作者使用深度學習構建了一個預測抗生素的篩選模型，特徵向量使用有向消息傳遞深度神經網絡構建，而後使用前饋神經網絡進行訓練，鑑別出Halicin具有潛在的抗菌活性，且與已知的抗生素結構差距較大，後期又進行了生物活性測試，在動物模型上，halicin療效顯著。後期又對ZINC數據庫進行了預測，發現了8種與已知抗生素結構差別較大的分子。其中2中具有廣譜抗菌效果。
圖片來源：Cell
圖片來源：Cell
圖片來源：Cell
圖片來源：Cell
參考文獻
Stokes, J.M., et al., A Deep Learning Approach to Antibiotic Discovery. Cell, 2020. 180(4): p. 688-702 e13. DOI: 10.1016/j.cell.2020.01.021
中大唯信頭條號與中大唯信公眾號、唯信計算訂閱號均由中大唯信科技有限公司運營，歡迎關注轉發，未經授權禁止轉載
