Новые антимикробные препараты — иммуно-антибиотики двойного действия (dual-acting immuno-antibiotics, DAIAs). Однако ученым необходимо провести все стадии доклинических и клинических испытаний нового вещества.
Минздрав зарегистрировал антибиотик с новым механизмом действия
Новые антибиотики были успешно проверены в опытах на мышах, сообщила в понедельник пресс-служба шведского Университета Уппсалы. — Сам фтортиазинон — антимикробный препарат, он может использоваться в ассоциации с антибиотиками, а также самостоятельно, что приводит к ослаблению тех микроорганизмов. Фундаментальное исследование процессов образования суперпатогенов привело их к созданию устойчивого к целому ряду антибиотиков микроорганизма. В первую очередь, киномицин считается более эффективной версией циклического липопептидного антибиотика даптомицина.
Академик Гинцбург назвал сроки регистрации нового российского антибиотика
Оказалось, что новые антибиотики способны воздействовать на широкий спектр патогенных грамотрицательных и грамположительных бактерий. Исключив антибиотики из списка зарегистрированных в РФ лекарств для лечения ОРВИ, Минздрав добавил в него кагоцел, хлоргексидин, бромгексин, парацетамол. Евросоюз одобрил новый антибиотик от пневмонии и инфекции мочевыводящих путей, предназначенный для борьбы с «супербактериями», устойчивыми к существующим лекарствам.
Золотое производство
- Антибиотики нового класса получили с помощью «бактерий-убийц»
- Информация
- Прорыв в лечении: российские ученые создали суперантибиотик — 04.03.2023 — В России на РЕН ТВ
- Российские ученые создали суперпатоген: все антибиотики бессильны
- Что за антибиотик иррезистин? | Аргументы и Факты
Круглый объяснил, почему не разрабатывают новые антибиотики
Предназначено для лиц старше 16 лет. Адрес: 123298, Москва, ул. Территория распространения — Российская Федерация и зарубежные страны. Языки: русский и английский.
На его подавлении с помощью новых антибиотиков фармакологи пытаются сыграть в течение 20 последних лет. Читать также: ВОЗ обеспокоена ростом устойчивости бактерий к антибиотикам Особые надежды на этот счет связывались с открытием в 2007 году природных ариломицинов. Однако против грамотрицательных бактерий эти соединения оказались, вопреки ожиданиям, неэффективны. Сначала полагали, что ариломицины попросту не проникают сквозь внешнюю мембрану. Однако вскоре выяснилось, что причина в ином: микроорганизмы быстро вырабатывают устойчивость к этим веществам за счет мутаций в структуре сигнальной пептидазы. Комментарий редакции Разработка полусинтетического ариломицина широкого спектра действия — подлинно революционное событие в медицинской химии. Достаточно сказать, что это первый антибиотик за последние 50 лет, подобранный к новой мишени: в течение полувека фармакологи в основном лишь варьировали структуру существующих лекарств. Еще важнее, что новый антибиотик «обходит» традиционные механизмы, за счет которых грамотрицательные бактерии со временем приобретают лекарственную устойчивость почти ко всем препаратам. Уникальная особенность G0775 наверняка приблизит ученых к разрешению этой проблемы, из-за который им до сих пор приходилось бесконечно усовершенствовать существующие антибиотики.
Recall измеряет долю верно классифицированных положительных примеров относительно всех действительно положительных примеров. При этом, наблюдалось снижение производительности, измеряемой по AUPRC для тестового набора у альтернативных моделей, включая ансамбль из десяти моделей Chemprop без использования RDKit. В целом, эти результаты показывают, что модели Chemprop с молекулярными характеристиками, вычисленными с помощью RDKit, дают многообещающие прогнозы активности антибиотиков и могут превзойти более простые и поверхностные модели глубокого обучения. Модели цитотоксичности человеческих клеток Чтобы лучше определить соединения, селективные против изучаемых бактерий, были разработаны ортогональные модели, предсказывающие цитотоксичность в клетках человека. Ортогональные модели являются специальным видом моделей, используемых в математике, статистике и анализе данных. Они характеризуются свойством ортогональности, что означает независимость и неперекрываемость компонентов модели. В контексте многомерного пространства, ортогональные модели связаны с ортогональными базисами, где каждая компонента измерение модели независима от остальных, и изменение одной компоненты не влияет на другие. Это обеспечивает более простой анализ данных и интерпретацию результатов. Был проведен контрскрининг обучающего набора из 39,312 соединений на цитотоксичность в клетках карциномы печени человека HepG2 , клетках скелетных мышц человека HSkMCs и клетках фибробластов легких человека IMR-90. Жизнеспособность клеток измеряли после 2-3 дней обработки каждым соединением в концентрации 10 мкМ, которая соответствует и широко используется в культурах клеток человека. Как и выше, эти данные были использованы для обучения бинарных классификационных моделей, предсказывающих вероятность того, является ли новое соединение цитотоксичным для клеток HepG2, HSkMCs или IMR-90, на основе химической структуры соединения. Для ансамблей из 10 моделей Chemprop, обученных и проверенных, а затем протестированных на тех же данных, значения AUPRC для моделей составили 0,176, 0,168 и 0,335, соответственно. Это свидетельствует о положительной, но менее предсказуемой эффективности, чем у моделей для антибиотической активности, что может быть обусловлено более строгими критериями для объявления соединений нецитотоксичными. Фильтрация и визуализация химического пространства После удовлетворения эффективностью наших моделей, исследователи переобучили ансамбли из 20 моделей Chemprop на всех обучающих наборах данных, в результате чего были получены четыре ансамбля, предсказывающие активность антибиотиков, цитотоксичность HepG2, цитотоксичность HSkMCs и цитотоксичность IMR-90. Ансамбли были применены для прогнозирования антибиотической активности и цитотоксичности 12 076 365 соединений, включая 11 277 225 соединений из базы данных Mcule purchasable, в которой большинство соединений можно легко приобрести, не прибегая к собственному химическому синтезу, а также 799 140 соединений из базы данных Broad Institute. PAINS Pan-Assay Interference Compounds и Brenk substructures — это наборы подструктур, которые могут вызывать нежелательные эффекты или ложноположительные результаты в биологических экспериментах. PAINS является набором химических структурных фрагментов, которые часто обнаруживаются в молекулах, проявляющих побочную активность. Brenk substructures представляют собой схожий набор подструктур, разработанный для выявления химических групп, которые часто связаны с нежелательными свойствами молекул, такими как токсичность, незаурядность или проблемы с разработкой лекарств. Наконец, оставшиеся соединения фильтруются на предмет структурной новизны, определяемой коэффициентом сходства Танимото — менее 0,5 по отношению к любому активному соединению в обучающем наборе данных. Коэффициент Танимото является метрикой, используемой для оценки сходства между двумя множествами или наборами данных преимущественно для молекул и генов. Коэффициент Танимото вычисляется как отношение числа общих элементов между двумя наборами к общему числу элементов в обоих наборах. Он может принимать значения в диапазоне от 0 до 1, где 0 означает полное отсутствие сходства, а 1 обозначает полное совпадение. Он позволяет отображать сложные многомерные данные на двух- или трехмерную плоскость, сохраняя при этом важные отношения и структуру в данных. Алгоритм t-SNE основывается на концепции близости объектов: близкие объекты в исходном пространстве имеют более высокие шансы быть близкими и после проекции на низкоразмерное пространство. Диаграмма с использованием алгоритма t-SNE t-distributed neighbor embedding показывает соединения с высокими и низкими оценками прогноза антибиотиков, а также соединения из обучающего набора данных при разных пороговых значениях оценки прогноза. Данная диаграмма позволяет визуализировать химическую схожесть или различие представленных соединений. Активные соединения из обучающего набора данных красные точки в основном разделяют соединения с высокими оценками прогнозов зеленые, черные и фиолетовые точки от соединений с низкими оценками прогнозов коричневые точки Особое замечание: как указано в t-SNE, несколько найденных веществ структурно отличаются от активных соединений в обучающем наборе, что указывает на то, что разработанные модели обобщаются на невидимые химические пространства. Обоснование прогнозов классов антибиотиков Так как графовые нейронные сети делают прогнозы на основе информации, содержащейся в атомах и связях каждой молекулы, исследователи предположили, что соединения с высокими оценками прогноза антибиотической активности содержат подструктуры «обоснования» , которые в значительной степени определяют их оценки. Выявление таких обоснований обеспечило бы гарантии объяснимости модели для интересующих нас результатов. Оценка прогноза антибиотической активности для любого найденного вещества могла бы быть прямо отнесена к его обоснованию, так, что обоснование или же рационал , рассматриваемое самостоятельно как молекулярный вход в Chemprop, сразу бы обладало высокой оценкой прогноза антибиотической активности. Возможность классификации таких обоснований сделала бы прогнозы Chemprop более понятными для людей и позволила бы последующий анализ подструктур с помощью машинного обучения. Учитывая обученные модели Chemprop, удалось вычислить такие обоснования с помощью алгоритмов поиска на основе графов. Эти алгоритмы позволили определить в контексте одной молекулы наименьшее обоснование с заданным пороговым числом атомов, имеющее положительное предсказывающее значение. Исследователи стремились найти обоснования, содержащие не менее восьми атомов и проявляющие высокие предсказательные оценки антибиотической активности, превышающие 0,1, с использованием поисковых деревьев методом Монте-Карло. Поиск методом Монте-Карло включает выбор начальной подструктуры, итеративное обрезание подструктуры и выбор удалений, приводящих к высоким оценкам предсказания, когда подграфы передаются в качестве входных данных в Chemprop.
Ученые в ответ на «бактериальную популяцию» ищут новые средства, способные утолить боль и восстановить иммунную систему человека. Специалисты Лаборатории генетики микроорганизмов Университета «Сириус» — не исключение. В новой лаборатории научного центра уже проводятся исследования по преодолению этой проблемы. При чем работа ведется сразу в нескольких направлениях.
Искусственный интеллект нашёл новый антибиотик
При чем работа ведется сразу в нескольких направлениях. Эксперты занимаются поиском бактерий для создания эффективных химических веществ, которые могли бы стать основой для антибиотиков нового поколения. Другой проект связан уже с созданием белковых антимикробных препаратов — они будут незаменимыми в борьбе с такими патогенами, как Staphylococcus aureus и Streptococcus pneumoniae. Третье направление — работа по изучению так называемого бактериального иммунитета.
Это означает, что новый препарат может обойти защиту, которую CRAB выработал к другим лекарствам, но ученые предупреждают, что необходимы дополнительные исследования, чтобы выяснить, смогут ли коварные микробы однажды выработать устойчивость и к зосуральпину. Это открытие потенциально может привести к созданию новых методов лечения других грамотрицательных патогенов, которые также нацелены на транспортную систему LPS. Например, P. Гуггер и Пол Дж.
Хергенротер отмечают, что прошло более 50 лет с тех пор, как Управление по контролю качества пищевых продуктов и лекарственных средств США одобрило новый антибиотик для использования против опасных грамотрицательных бактерий. Клинические испытания зосуралпина уже идут полным ходом. Путь от лабораторных экспериментов до клинического применения нового препарата может быть очень долгим, но все же есть надежда, что это открытие может стать поворотным пунктом в борьбе с одной из самых серьезных проблем, стоящих сегодня перед человечеством.
Они встречаются на слизистой оболочке внутренней стенки носа и на поверхности кожи человека. Молекула получила название эпифадин», — пишет ТК.
Отмечается, что эпифадин прекрасно справляется не только с бактериями, напрямую конкурирующими с Staphylococcus epidermidis, но и с находящимися в организме человека в других средах обитания, например в кишечнике.
Каждая модель в ансамбле может быть обучена на разных частях графов или с использованием различных гиперпараметров, что приводит к разнообразию в их предсказаниях. Таким образом, используя алгоритмы объясняемых графов, удалось на основании субструктур определить необходимые обоснования для выявленных соединений. После получения обоснований итоговых результатов, эмпирически были протестированы 283 соединения. Обнаружили, что соединения, проявляющие антибиотическую активность, были обогащены предполагаемыми структурными классами, вытекающими из полученных обоснований.
В итоге, из этих структурных классов соединений один является селективным в отношении MRSA и ванкомицин-резистентных энтерококков, избегает значительной резистентности и снижает титры бактерий в мышиных моделях кожной и системной инфекции бедра, вызванной MRSA. Теперь более детально рассмотрим особенности исследования! Модели антибиотической активности Был проверен исходный набор из 39 312 соединений, содержащий большинство известных антибиотиков, природных продуктов и структурно разнообразных молекул с молекулярными массами от 40 до 4200 Da, на ингибирующую рост активность против чувствительного к метициллину штамма S. На графике отображается молекулярно-массовое распределение отобранных соединений. Частота показана в логарифмической шкале.
Непосредственно данные по ингибированию роста S. Данные получены в двух биологических репликах. Активные соединения — те, для которых средний относительный рост составляет менее 0,2. Далее исследователи использовали Chemprop. Chemprop - это метод машинного обучения, специально разработанный для задач химинформатики, в особенности для предсказания биологической активности новых соединений, поиска лекарственных препаратов, ранжирования молекул по их свойствам, генерации новых молекул и других задач, связанных с химической разработкой и оптимизацией.
Исследователи обучили ансамбли графовых нейронных сетей осуществлять бинарные классификационные прогнозы о том, будет ли новое соединение подавлять рост бактерий, на основе его химической структуры. Каждая графовая нейронная сеть работает путем формирования шагов свертки, которые зависят от атомов и связей каждой входной химической структуры, которая рассматривается как математический граф с вершинами атомы и ребрами связи. После последовательных шагов свертки, объединяющих информацию от соседних атомов и связей, каждая модель генерирует окончательный балл предсказания между 0 и 1, представляющий собой оценку вероятности того, что молекула активна. Для получения дополнительных данных, которые могут улучшить работу модели, каждой был предоставлен список молекулярных характеристик, рассчитанных с помощью RDKit для каждого входа. RDKit позволяет выполнять различные операции над молекулами, включая генерацию, представление и редактирование молекулярных структур, расчет физико-химических свойств, числовых характеристик, описывающих молекулу в химической системе, визуализацию молекулярных структур, анализ и поиск структурных фрагментов, разработку моделей и тд.
Для повышения надежности прогноза оценки нескольких моделей в ансамбле усреднялись. Каждая модель обучалась и проверялась, а затем тестировалась на одних и тех же фрагментах обучающего набора данных. Для ансамбля из десяти моделей, примененных к закрытым тестовым данным, площадь под кривой AUPRC составила 0,364, что свидетельствует о хорошей производительности при учете дисбаланса активных соединений в обучающих данных. Кривая AUPRC Area Under the Precision-Recall Curve - это графическое представление и метрика для оценки качества моделей классификации или ранжирования, особенно в задачах с несбалансированными классами или большим количеством ложноположительных результатов. Precision измеряет долю верно классифицированных положительных примеров относительно всех классифицированных положительных примеров.
Recall измеряет долю верно классифицированных положительных примеров относительно всех действительно положительных примеров. При этом, наблюдалось снижение производительности, измеряемой по AUPRC для тестового набора у альтернативных моделей, включая ансамбль из десяти моделей Chemprop без использования RDKit. В целом, эти результаты показывают, что модели Chemprop с молекулярными характеристиками, вычисленными с помощью RDKit, дают многообещающие прогнозы активности антибиотиков и могут превзойти более простые и поверхностные модели глубокого обучения. Модели цитотоксичности человеческих клеток Чтобы лучше определить соединения, селективные против изучаемых бактерий, были разработаны ортогональные модели, предсказывающие цитотоксичность в клетках человека. Ортогональные модели являются специальным видом моделей, используемых в математике, статистике и анализе данных.
Они характеризуются свойством ортогональности, что означает независимость и неперекрываемость компонентов модели. В контексте многомерного пространства, ортогональные модели связаны с ортогональными базисами, где каждая компонента измерение модели независима от остальных, и изменение одной компоненты не влияет на другие. Это обеспечивает более простой анализ данных и интерпретацию результатов. Был проведен контрскрининг обучающего набора из 39,312 соединений на цитотоксичность в клетках карциномы печени человека HepG2 , клетках скелетных мышц человека HSkMCs и клетках фибробластов легких человека IMR-90. Жизнеспособность клеток измеряли после 2-3 дней обработки каждым соединением в концентрации 10 мкМ, которая соответствует и широко используется в культурах клеток человека.
Как и выше, эти данные были использованы для обучения бинарных классификационных моделей, предсказывающих вероятность того, является ли новое соединение цитотоксичным для клеток HepG2, HSkMCs или IMR-90, на основе химической структуры соединения.
Ученые «Сириуса» создают антибиотики нового поколения
| Российские ученые получили новые антибиотики из бактерий, обитающих в Японском море | Новый «антибиотик» поможет людям в борьбе с болезнями, которые научились «игнорировать» то, чем мы лечились раньше. |
| Штамм «пирола» в 2024 году: что известно о новом варианте коронавируса | Это отличается от большинства других антибиотиков и может открыть новые направления для будущего лечения и разработки лекарств. |
| Учёные из США синтезировали новый антибиотик против «супербактерий» | Впервые обнаружен антибиотик, принадлежащий к совершенно новому классу лекарств, и он уже показал свою. |
Учёные из США синтезировали новый антибиотик против «супербактерий»
Молчащие гены являются "золотоносной жилой" в поиске новых антибиотиков для замедления продолжающегося кризиса резистентности. Исключив антибиотики из списка зарегистрированных в РФ лекарств для лечения ОРВИ, Минздрав добавил в него кагоцел, хлоргексидин, бромгексин, парацетамол. Минздрав исключил антибиотики из нового стандарта лечения ОРВИ в России. Международная фармкомпания Astellas решила вывести с российского рынка антибиотик вильпрафен, аналогов которому в России пока нет, сообщило издание РБК. |. Что известно о новом антибиотике? Созданному на основе нового соединения веществу дали название «иррезистин» (Irresistin-16). В перспективе мы намерены использовать эти свойства нашего соединения для разработки новых антибиотиков", говорит профессор физической химии Анна Шиповская.