本文来自微信公众号：奇点网（ID：geekheal_com），作者：BioTalker，题图来自《细胞》封面
人类在与超级细菌的大战中，终于祭出了超级大招人工智能。
前不久，麻省理工学院（MIT）医学工程与科学研究所合成生物学中心的James Collins团队，与德研究所的Regina Barzilay领衔的研究团队，在顶级期刊《细胞》上以封面文章的形式发表重大研究成果[1]。
James Collins（左）和Regina Barzilay（右）
他们开发了一个跳出人类思维框架的人工智能抗生素预测平台，这个平台不需要知道药物的作用机制，甚至不需要科学家标注化学基团，它能一个原子一个原子地独自学习，最终实现预测特定分子的功能，以一种科学家不了解的方式，帮助人类寻找全新抗生素。
这个新的智能平台身手不凡，Collins和Barzilay团队用它找到了多种与现有抗生素结构差异较大的抗菌化合物。其中有一个原本用来治疗糖尿病的临床前药物，展现出强大的抗菌效果，对多种超级耐药菌展现出强大的杀伤力。
更厉害的是，这个抑菌小分子以一种科学家完全没有预料到的方式杀死细菌，而且研究人员认为细菌很难对其产生耐药性。
《细胞》封面
自青霉素诞生以来，抗生素就成为现代医学的基石。随着抗生素的广泛使用，超级细菌的耐药性问题又成为威胁人类健康的大敌。如果现在不遏制住耐药性产生的势头，到2050年，预计有1000万人会死于耐药细菌的感染[2]。
遗憾的是，用传统的筛选方式，已经越来越难筛选到新的抗生素了[3]。在现有抗生素的基础上改造出新的抗生素，也是败多胜少。
近年来，寻找新抗生素的科学家已经开始从大型合成化学文库中筛选[4]。先不说这种方法的操作难度大、成本高，实际效果其实也非常有限，从1980年开始使用这种方法开始，一直到现在还没有应用于临床的抗菌药物出现。
机器学习技术和化学信息学的进步[5]，让科学家们看到了另一种可能：让人工智能平台自主学习化学分子的特征，然后预测它的作用。
Regina Barzilay
Collins和Barzilay团队首先开发了一个人工智能平台，这个平台可以自己学习化学分子的结构和特征，然后根据它掌握的这些信息，预测分子的功能，即预测它是否能抑制特定细菌的生长。然后再把这些化学物质按照抑制效果的好坏排序。
随后，研究人员给这个智能平台喂了2335个不同的分子，其中有一大部分是已经获得FDA批准的药物，剩下的是有广泛生物活性的天然分子。
在完成训练之后，研究人员让这个人工智能平台从博德研究所化合物库的6111个分子中，找出有抗菌活性的化合物。
筛选流程
最终，这个平台找到了数十个有抗菌潜力的化合物。经过全面的分析排名之后，一个叫做SU332的化合物排在了第一名。SU332原本是c-Jun的N末端激酶抑制剂，它是一个处于临床前期的治疗糖尿病的药物。
从分子结构上看，它与已有的任何一种抗生素都明显不同。为了致敬经典科幻片《2001：太空漫游》里的人工智能系统HAL 9000，研究人员把SU332命名为halicin。
进一步分析发现，halicin是杀死了细菌，而不是抑制细菌的生长和繁殖。传统青霉素杀不死的处于代谢抑制状态的大肠杆菌，halicin也能杀死。甚至是抗生素处理之后残留的持久性细菌，halicin也能杀死。
研究人员还用携带多种耐药基因的质粒转化细菌，让细菌具备特定的耐药性，不过这些耐药基因也不能帮助细菌抵挡halicin的屠刀。
随后，研究人员用36种多耐药细菌试刀，结果除了铜绿假单胞菌之外，没有一个耐药菌能逃过一劫。后续分析认为，铜绿假单胞菌之所以能耐受halicin，可能是因为“皮太厚”[6]，halicin进不去。
图片来源：DAVID GOULDING/WELLCOME TRUST SANGER INSTITUTE/WELLCOME
那halicin究竟是如何杀死细菌的呢？
研究人员的初步研究表明，这个halicin的杀菌机制还真不一般。它没有破坏细菌的什么结构，而是不知道通过什么方式，破坏了细菌细胞膜维持电化学梯度的能力。这个细胞膜的电化学梯度有个重要的作用，就是与ATP的合成有关。
ATP我们都知道，它就是能量啊。如果细菌不能在生产ATP了，那就是必死无疑了。研究人员认为，细菌可能很难对halicin的这个杀菌技能产生耐药性，因为细菌很难通过单个或者几个突变，就改变自己维持电化学梯度的能力。
随后的耐药性研究，在一定程度上证实了研究人员的猜测。
他们在实验室中让细菌连续传代30天，也不能获得对halicin耐药的菌株。不知道大家还记不记得，哈佛大学和以色列理工学院的科学家2016年在《科学》上发表了一项研究成果：在实验室条件下，大肠杆菌对达到最低致死浓度1000倍的抗生素产生耐药性，仅仅需要10天时间[7]。
黑底的培养基从两边到中间分成5个浓度梯度（0-1000倍），培养基上面是白色的细菌从两边往中间（抗生素浓度由低到高）飞速往中间生长
在后续的研究中，他们在小鼠身上测试了halicin的抗菌效果，确实很强大。目前研究团队正在计划与制药公司或者公益组织展开合作，以期将halicin用于人体。
为了证明这个系统的强大筛选能力，Collins和Barzilay团队的研究人员随后又把超1亿个化学分子丢给这个系统，从中筛选到了8种有抗菌活性的化合物，其中两种的抗菌活性还非常强大。整个筛选过程只用了3天时间。
真是不敢想象。
难怪色列理工学院生物学和计算机科学教授Roy Kishony会说[8]，“这项开创性的研究标志着抗生素的发现，乃至更普遍的药物发现发生了范式转变。”
参考资料：
[1].Stokes J M, Yang K, Swanson K, et al. A Deep Learning Approach to Antibiotic Discovery[J]. Cell, 2020, 180(4): 688-702. e13.
[2].O'neill J. Antimicrobial Resistance. Tackling a Crisis for the Health and Wealth of Nations. 2014.
[3].Cox G, Sieron A, King A M, et al. A common platform for antibiotic dereplication and adjuvant discovery[J]. Cell chemical biology, 2017, 24(1): 98-109.
[4].Tommasi R, Brown D G, Walkup G K, et al. ESKAPEing the labyrinth of antibacterial discovery[J]. Nature reviews Drug discovery, 2015, 14(8): 529-542.
[5].Camacho D M, Collins K M, Powers R K, et al. Next-generation machine learning for biological networks[J]. Cell, 2018, 173(7): 1581-1592.
[6].Yoshimura F, Nikaido H. Permeability of Pseudomonas aeruginosa outer membrane to hydrophilic solutes[J]. Journal of bacteriology, 1982, 152(2): 636-642.
[7].Baym M H, Lieberman T D, Kelsic E D, et al. Spatiotemporal microbial evolution on antibiotic landscapes[J]. Science, 2016, 353(6304): 1147-1151.
[8].http://news.mit.edu/2020/artificial-intelligence-identifies-new-antibiotic-0220
本文来自微信公众号：奇点网（ID：geekheal_com），作者：BioTalker