Identifizierung neuartiger antibakterieller Peptide durch Chemoinformatik und maschinelles Lernen

Der Anstieg antibiotikaresistenter Erreger ist eines der dringendsten globalen Gesundheitsprobleme. Die Entdeckung neuer Klassen von Antibiotika hat nicht Schritt gehalten; neue Wirkstoffe leiden häufig unter Kreuzresistenz gegenüber bestehenden Wirkstoffen ähnlicher Struktur. Kurze, kationische Peptide mit antimikrobieller Aktivität sind entscheidend für die Wirteabwehr vieler Organismen und stellen eine vielversprechende neue Klasse von Antimikrobiellen dar. Diese Arbeit berichtet über das erfolgreiche in silico Screening nach potenten Antibiotika-Peptiden unter Verwendung einer Kombination aus QSAR- und maschinellen Lerntechniken. Auf der Grundlage erster Hochdurchsatzmessungen der Aktivität von über 1400 zufälligen Peptiden wurden künstliche neuronale Netzwerkmodelle unter Verwendung von QSAR-Deskriptoren erstellt und anschließend verwendet, um eine in silico Bibliothek von etwa 100.000 Peptiden zu screenen. Die in vitro Validierung der Modellierung zeigte eine Genauigkeit von 94% bei der Identifizierung hochaktiver Peptide. Die besten durch das Screening identifizierten Peptide wiesen Aktivitäten auf, die mit denen von vier herkömmlichen Antibiotika vergleichbar oder überlegen waren und waren überlegen gegenüber dem Peptid, das am weitesten klinisch entwickelt wurde, gegen eine breite Palette von multiresistenten menschlichen Pathogenen.