通过自动化平台上高通量筛选技术实现人工智能引导的抗菌聚合物精准设计

《Bioactive Materials》:AI-guided precise design of antimicrobial polymers through high-throughput screening technology on an automated platform

【字体: 大 中 小 】 时间:2025年12月18日 来源:Bioactive Materials 23.6

编辑推荐:

  研究人员将模拟抗菌肽(Antimicrobial peptides, AMPs)的抗菌聚合物作为“后抗生素时代”中抗生素治疗替代方案展现出巨大潜力。然而,由于侧链组合的化学空间极其庞大,新型模拟AMPs的抗菌聚合物的发现面临挑战。人工智能(Artificial

  
研究人员将模拟抗菌肽(Antimicrobial peptides, AMPs)的抗菌聚合物作为“后抗生素时代”中抗生素治疗替代方案展现出巨大潜力。然而,由于侧链组合的化学空间极其庞大,新型模拟AMPs的抗菌聚合物的发现面临挑战。人工智能(Artificial Intelligence, AI)引导的高通量筛选(High-throughput screening, HTS)技术的进步使得材料设计更加高效、精确和智能化。在此,研究人员整合组合化学、机器学习(Machine learning, ML)以及自动化高通量合成与表征平台,建立了一种设计具有优异生物相容性的抗菌聚合物的新范式。从一个包含13,728种组合的库出发,生成包含400种结构的种子数据集,随后使用一种新的机器学习模型进行了四轮设计-构建-测试-学习(Design-Build-Test-Learn)迭代。筛选出7个表现最优的候选物,其最低抑菌浓度(Minimum inhibitory concentration, MIC)≤8 μg/mL,且导致20%细胞死亡的抑制浓度(Inhibitory concentration causing 20% cell death, IC20)≥64 μg/mL。性能最高的聚合物(MIC 2 μg/mL,IC20 256 μg/mL)显示出与头孢他啶(ceftazidime)相似的体内治疗效果。总体而言,人工智能引导的高通量筛选与组合化学的整合加速了新型抗菌聚合物的发现,为开发新型抗菌药物提供了可扩展的策略。
研究背景方面,近年来多重耐药(Multidrug resistance, MDR)作为全球性挑战日益加剧,传统抗生素的发现和细菌耐药性的出现之间存在滞后,人类正步入“后抗生素时代”。抗菌肽(Antimicrobial peptides, AMPs)因其多位点靶向和快速抗菌作用成为对抗多重耐药菌的有前途的候选者,但其存在稳定性低、难以规模化生产和成本高昂等缺陷,因此研究人员转向其化学模拟物即抗菌聚合物。抗菌聚合物通过控制电荷和两亲性整合抗菌性与生物相容性,但由于组合化学中参数增加导致可能结构呈指数增长,传统试错法在庞大的侧链组合化学空间中筛选十分困难。光诱导电子能量转移可逆加成断裂链转移聚合(Photoinduced electron/energy transfer reversible addition-fragmentation chain transfer polymerization, PET-RAFT)等技术使高通量合成可行,自动化合成与表征平台提高了通量和准确性,但现有技术常仅关注单一因素。机器学习在化学和材料科学虽有进展,但抗菌聚合物领域受限于缺乏大规模高质量数据集和标准化协议,亟需高通量实验生成数据支持模型开发。因此,研究人员开展本研究,结合组合化学、机器学习和自动化平台建立设计模拟AMPs抗菌聚合物的新范式,最终从13,728个组合中快速筛选出高性能候选聚合物,验证了AI与自动化整合在加速抗菌药物发现中的意义,该研究发表于《Bioactive Materials》。
研究人员开展研究用到的主要关键技术方法包括构建包含11种阳离子单体、13种疏水单体、6种亲水单体和16种比例的13,728个聚合物组合库;采用随机采样生成400个结构的种子数据集;利用全自动PET-RAFT系统在96孔板中合成聚合物;使用Hamilton Microlab STAR液体处理机器人及轨道机器人连接的微孔板读数仪进行自动化合成与表征;构建基于图Transformer的机器学习模型,采用虚拟节点编码单体比例并预训练微调,使用均方误差(Mean squared error, MSE)损失函数和集成预测器;实施基于上置信界(Upper confidence bound, UCB)获取函数的主动学习(Active learning)策略,结合K-means聚类进行多轮设计-构建-测试-学习迭代;通过肉汤微量稀释法测MIC、Resazurin染色评估抗菌活性、兔红细胞溶血实验测HC20、CCK-8法测IC20进行高通量表征;建立小鼠皮下脓肿和皮肤伤口感染模型进行体内疗效评估。
研究结果如下:
3.1. Accuracy and efficiency of automated workflows。研究人员系统考察结构参数构建13,728个聚合物组合库,初始随机采样400个生成种子数据集确保覆盖设计空间。通过自动化工作流程iChemFoundry(含Hamilton Microlab STAR液体处理机器人和微孔板读数仪)进行PET-RAFT合成与表征,验证自动化与手动合成在组成、分子量及多分散性上无显著差异,单体转化率约100%,合成表征400个组合时间从手动120小时缩短至10小时,效率提升12倍。12天内从库中筛选出7个先导候选物,观察到伯胺基团为阳离子部分且具适中疏水性、间隔基为五个亚甲基时活性优,发现高抗菌活性不一定对应最强正电荷和疏水性,部分无亲水嵌段的候选物也有优良生物相容性,凸显机器学习引入的必要性。
3.2. Model construction。研究人员采用前期提出的共聚物图表示方法,各组分表示为独立图并通过全局虚拟节点和比例虚拟节点连接,使用图Transformer编码器提取特征并投影预测抗菌和溶血活性。该模型在测试集上性能优于随机森林(Random Forest, RF)、极端梯度提升(Extreme Gradient Boosting, XGBoost)、高斯过程回归(Gaussian process regression, GPR)及主流聚合物语言模型。采用基于池的多目标贝叶斯优化(Pool-based multi-objective Bayesian optimization, PMOBO),集成模型估计性能均值μ与不确定性σ,以上置信界为获取函数评分并K-means聚类选样。四轮迭代后筛选出103个MIC ≤16 μg/mL且HC20 ≥2048 μg/mL的聚合物,t-SNE可视化显示搜索范围缩小,抗菌活性显著提升且溶血活性维持低位。
3.3. Identification of the target polymer and in vitro antibacterial analysis。研究人员对103个候选物进一步MIC测试选出7个MIC ≤8 μg/mL的候选物进行细胞毒性(IC20)测试及广谱抗菌验证(革兰氏阳性菌金黄色葡萄球菌、表皮葡萄球菌;革兰氏阴性菌铜绿假单胞菌、变形杆菌)。综合MIC、最小杀菌浓度(Minimum bactericidal concentration, MBC)、HC20、IC20及IC20/MIC比值,确定P7为靶聚合物(MIC 2 μg/mL,IC20 256 μg/mL)。体外表征显示P7在4倍MIC下1小时对大肠杆菌实现3-log减少,引起K+外流,菌落计数证实杀菌效果,扫描电镜(Scanning electron microscope, SEM)和透射电镜(Transmission electron microscope, TEM)显示细胞膜完整性受损及胞内物质外流,活死染色10分钟内细菌显红色荧光死亡,杀菌动力学显示10分钟内杀灭99.9%细菌,与头孢他啶相当。耐药研究显示P7经100代无明显耐药性上升,而头孢他啶40代后即严重耐药。膜去极化和外膜通透性实验证明P7通过破坏细胞膜通透性及完整性杀菌,符合AMPs普遍机制。
3.4. In vivo anti-infectious efficacy via Topical and intravenous administration。研究人员构建大肠杆菌感染的皮肤伤口模型,局部给药(0.5 mg/kg)9天后,P7治疗组伤口愈合显著快于生理盐水组,组织学恢复良好,细菌计数降低,体重无显著差异。进一步建立皮下脓肿模型静脉给药(0.5 mg/kg),9天后P7组脓肿基本消除,组织炎症缓解,IL-6和IL-10水平显示抗炎效果与抗生素相当,主要器官无病理变化,证实P7体内局部与全身给药均有效且生物安全性良好。
讨论部分总结指出,该研究整合组合化学、自动化高通量合成表征和数据驱动优化,通过PET-RAFT在iChemFoundry平台合成抗菌聚合物,构建大型聚合物库并应用机器学习算法实现高效靶向设计。研究人员通过随机采样提取400个候选物构建种子数据集训练模型,采用共聚物图表示法捕捉分子结构信息,通过查询策略从全化学空间选样,经过四轮设计-构建-测试-学习循环获得103个MIC <16 μg/mL且HC20 >2048 μg/mL的聚合物,达文献报道抗菌聚合物最佳水平。进一步表征获得靶聚合物P7(MIC <2 μg/mL,IC20/MIC超过100),体内外均具优异抗菌活性和生物相容性。该整合方法显著加速抗菌药物发现,12天内从13,728个组合中筛选出7个先导候选物,提供可扩展系统策略应对多重耐药挑战。主动学习与高通量合成表征的迭代有效精炼数据集并优选候选物,框架成功突显克服传统试错法局限的潜力,展示自动化与机器学习结合解决生物医学研究挑战的前景,为对抗多重耐药菌感染提供新途径。
研究结论部分原文翻译:在本研究中,研究人员开发了一种新颖的框架,整合组合化学、自动化高通量合成与表征以及数据驱动优化,以筛选具有强效抗菌活性和优异生物相容性的抗菌聚合物。抗菌聚合物通过PET-RAFT在自动化高通量合成平台iChemFoundry上合成。通过构建广泛的聚合物库并应用先进的机器学习算法,研究人员高效实现了具有增强抗菌功效和最小化毒性的聚合物的靶向设计。简而言之,研究人员通过随机采样提取400个候选物构建种子数据集,并利用该种子数据集训练机器学习模型。具体而言,采用共聚物图表示方法捕捉分子内的结构信息和关系并构建预测模型,随后采用查询策略从整个化学空间中选择下一个待标记的样品。经过四轮设计-构建-测试-学习循环,研究人员获得了103种MIC <16 μg/mL且HC20 >2048 μg/mL的聚合物,达到了文献报道的抗菌聚合物最佳水平。通过进一步表征,研究人员获得了靶聚合物P7,其MIC小于2 μg/mL且IC20/MIC超过100。靶聚合物P7在体内外均表现出优异的抗菌活性和生物相容性。这种整合方法显著加速了抗菌剂的发现,使得能够在仅12天内从13,728个组合中筛选出7个先导候选物,为应对多重耐药挑战提供了可扩展和系统化的策略。主动学习与高通量合成和表征的迭代过程有效地精炼了数据集并选择了性能最佳的候选物。该框架的成功突显了其克服聚合物研究中传统试错法局限性的潜力。此外,我们的工作展示了自动化与机器学习相结合如何解决生物医学研究中的特定挑战,为快速发现有效抗菌剂提供了一种有前景的方法。研究人员期待该方法能激发进一步创新并推动对抗多重耐药细菌感染的进展。
要不要我帮你把这篇论文解读里的关键专业术语整理成一个中英对照词汇表,方便你后续查阅?
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号