抗生素耐药性问题成为全球公共健康的重大挑战。据估计，如果不采取措施，每年因耐药性细菌导致的死亡可能在2050年达到1000万人。这迫切需要开发新的抗生素。然而，由于传统抗生素研发陷入瓶颈，新药发现的步伐明显放缓。今天与大家分享AI是如何为这一问题带来了新的解决方案，并且成功发现了一种新型抗生素“Halicin”。

什么是Halicin？

Halicin是一种从药物重定位库中发现的分子，最初被开发为糖尿病治疗药物。通过AI模型的预测和实验验证，研究人员发现它对多种细菌，包括结核分枝杆菌和碳青霉烯耐药肠杆菌，具有广谱杀菌作用。更令人振奋的是，Halicin在小鼠模型中成功治愈了抗药性细菌感染，这为抗生素研究打开了新的大门。

Halicin（哈利辛）的分子结构式

AI如何发现新抗生素？

传统抗生素研发通常依赖于从自然界中筛选具有抗菌活性的分子，或基于已知抗生素进行结构优化。然而，这种方法存在“重复发现”的问题，同时化学空间的庞大和筛选成本的高昂也限制了其效率。通过深度学习模型，训练了一个能够预测分子是否具有抗菌活性的神经网络。随后，将这一模型应用于包含上亿种分子的化学库，快速筛选出具有潜在抗菌特性的分子。我们来看看具体是怎么做。

首先是数据来源，使用了2,335种经过整理的化合物，包括FDA批准药物库和天然产物库。

然后进行了标签处理，将分子分类为“命中”（具有抑菌活性）或“非命中”，以80%的生长抑制率作为命中标准。

模型框架选择的是基于消息传递神经网络（Directed-Message Passing Neural Network, D-MPNN），D-MPNN是一种用于分子图学习的深度学习模型，特别适用于分子结构分析和属性预测。

它通过处理分子图的结构信息来生成分子的高效表征，由于分子可以被视为一种特殊的图结构，其中原子是节点，化学键是边，MPNN能够很好地处理这种结构数据。例如，MPNN可以用于预测分子的血脑屏障通透性、溶解度等性质。

为了增强特征，还结合了RDKit计算的分子特征（例如原子数、电荷、键类型等），生成混合分子表征以提高模型性能。最后使用贝叶斯优化调整超参数，并通过集成模型进一步提高模型的泛化能力。

最终在通过AI在数百万种候选分子中的预测，Halicin脱颖而出。进一步研究发现，它通过破坏细菌膜电位实现杀菌，而这一机制显著不同于传统抗生素，使其能够克服许多常见的耐药机制。

Halicin的分子结构与传统抗生素截然不同，表明AI可以拓展探索范围。APExBIO提供高度定制化的药物研发服务，基于AI的赋能，AIDD可以大幅提升了筛选效率，降低研发成本，拓宽了药物设计的探索范围，欢迎各位新老朋友进行咨询。