В ИОХ РАН использовали машинное обучение для прогнозирования антибактериальной активности
Продолжающийся рост числа устойчивых бактериальных патогенов представляет серьезную угрозу эффективности существующих антибактериальных препаратов, подвергая риску жизни миллионов людей. По этой причине разработка новых эффективных антибактериальных средств является важной научной задачей. Изменить ситуацию в бесконечной гонке создания противомикробных препаратов могут современные инструменты машинного обучения. В одном из недавних исследований учеными Лаборатории углеводов и биоцидов имени ак. Н.К. Кочеткова и группы теоретической химии ИОХ РАН был представлен новый подход к прогнозированию антибактериальной активности четвертичных аммониевых соединений с использованием адаптируемой модели нейронных сетей. Были разработаны модели для прогнозирования минимальной ингибирующей (MIC) и минимальной бактерицидной (MBC) концентрации в отношении двух патогенов: грамположительного S. aureus и грамотрицательной E. coli. Несмотря на то, что для MBC наблюдалась более низкая точность прогнозирования по сравнению с MIC, биологическая достоверность была успешно сохранена, а с помощью этого подхода были достигнуты приемлемые показатели прогнозирования. Надежная обобщаемость модели была подтверждена путем внешней проверки на новых химических объектах. Разработанная концепция представляет собой ценный инструмент для руководства синтетическими исследованиями в области антимикробных препаратов, особенно в направлениях, где механизм действия остается до конца неизвестным, а экспериментальные данные скудны.
Работа выполнена в рамках проекта Министерства образования и науки «Цифровая химия».
Источник:
Egor A. Ilin, Nikita A. Frolov, Mary A. Seferyan, Anvar B. Valeev, Andrey D. Vinokurov, Elena V. Detusheva, Elizabeth Son, Michael G. Medvedev, Anatoly N. Vereshchagin Tackling the challenge of ML-assisted antibacterial activity prediction: One step closer to controlled quaternary ammonium compounds design via neural networks model Bioorg. Chem., 2025, 167, 109175. DOI: 10.1016/j/bioorg.2025.10917.