Le Deep Learning est devenu un outil puissant pour dépister les grandes bibliothèques pour les composés ayant une activité antibiotique, mais l’identification des candidats structurellement nouveaux reste difficile. Écrire CelluleKrishnan et al. Utilisez un cadre d’intelligence artificielle générative pour s’étendre au-delà de cet espace chimique connu, en concevant des composés antibiotiques en utilisant des fragments comme points de départ ou en les générant de novo.
L’approche basée sur les fragments a utilisé des modèles de réseau de neurones graphiques pour dépister plus de 45 millions de fragments chimiques dans le silico contre Neisseria gonorrhoeae et Staphylococcus aureus. Des fragments prometteurs ont ensuite été étendus en molécules en les fournissant en entrée à deux algorithmes génératifs: un algorithme génétique basé sur des mutations chimiquement raisonnables et un autoencodeur variationnel, donnant plus de 7 millions de candidats. Pour N. Gonorrhoeaeles auteurs ont réussi à synthétiser 2 composés sélectionnés sur 27. Un composé, appelé Ng1, a montré une puissante activité antibiotique contre N. Gonorrhoeae in vitro et réduction de la charge bactérienne vaginale dans un modèle d’infection de souris. Ng1 compromet les membranes bactériennes, probablement en déstabilisant le système d’exportation du lipooligosaccharide protéine LPTA.
