AMR Accelerator – KI-Modell hilft bei Entdeckung neuer Antibiotika
Fortgeschrittene Berechnungsmethoden und maschinelles Lernen könnten dazu beitragen, die hohen Kosten und die Komplexität der Entdeckung von Antibiotika-Wirkstoffen zu verringern. Im Rahmen des COMBINE-Projekts wurde ein antimikrobieller Wissensgraph mit Modellen entwickelt, die Substanzbibliotheken durchsuchen können, um neue antimikrobielle Verbindungen zu identifizieren. Die Datenbank und ein maschinelles Lernmodell, das auf der Grundlage dieses Wissens erstellt wurde, sind jetzt im Journal of Chemical Information and Modeling veröffentlicht.
Die antimikrobielle Resistenz (AMR) führt zu einer raschen Erschöpfung der Zahl nützlicher Antibiotika. Gleichzeitig hat sich die Entwicklung neuer Therapeutika verlangsamt. Im Rahmen des COMBINE-Projekts haben Forscher des Fraunhofer ITMP in Hamburg im Rahmen des AMR Accelerator-Programms ein Modell für maschinelles Lernen (ML) entwickelt, das auf öffentlich verfügbaren In-vitro-Daten trainiert wurde. Der AntiMicrobial Knowledge Graph (KG) stellt einen Wissensgraphen mit dem ersten jemals aggregierten MIC-Datensatz (Minimum Inhibitory Concentration) in einem FAIR-konformen Format dar. Laut Yojana Gadiya, die diese Bemühungen koordiniert hat, sind die Modelle anpassbar und quelloffen. Sie sind außerdem transparent und ermöglichen die Entschlüsselung der physikalisch-chemischen Eigenschaften, die für die Aktivität von Bakterien und Pilzen erforderlich sind, was die chemische Optimierung bei der Entdeckung antimikrobieller Wirkstoffe unterstützt.
Die Auswahl von Verbindungen auf der Grundlage von Modellvorhersagen könnte schließlich die mit dem antimikrobiellen Screening verbundenen Versuchskosten senken. Da das Modell vortrainiert ist, kann es verwendet werden, um eine Substanzbibliothek von Grund auf mit Chemikalien aufzubauen, die eine höhere Tendenz haben, in vitro Aktivität zu zeigen. Es ist auch kosteneffizient: Anstatt ein Hochdurchsatz-Screening verschiedener Substanzbibliotheken durchzuführen, um eine aktive Substanz zu identifizieren, kann das Modell eine Untergruppe von Substanzen identifizieren, die mit größerer Wahrscheinlichkeit aktiv sind. Durch den Einsatz des ML-Modells im frühen Wirkstoffscreening haben die Autoren gezeigt, dass die mit dem Screening verbundenen Kosten durch die ML-Vorhersagen beliebiger Wirkstoffbibliotheken erheblich gesenkt werden können, indem diese in kleinere Teilmengen mit einer höheren Aktivitätswahrscheinlichkeit gefiltert werden.
Die Koordinierung und Unterstützung des gesamten Programms wird durch das COMBINE-Projekt („Collaboration for prevention and treatment of MDR bacterial infections“) sichergestellt. Die BIOCOM Interrelations GmbH leitet eines der Hauptziele von COMBINE: die Erleichterung der Kommunikation zwischen den Partnern des AMR Accelerators, die Verbreitung von Neuigkeiten und Ergebnissen sowie die Erhöhung der Sichtbarkeit und Reichweite bei den wichtigsten Akteuren in diesem Bereich durch die Organisation von Veranstaltungen, die Herausgabe von Pressemitteilungen und die Pflege von Kommunikationskanälen.
Mehr dazu: https://amr-accelerator.eu/publications