Streptococcus pneumoniae ir baktērija, kas var izraisīt dzīvībai bīstamas infekcijas, tostarp pneimoniju un meningītu. Šo infekciju ārstēšanai parasti izmanto antibiotikas, taču baktērijas pārmaiņas laika gaitā padara daļu medikamentu mazāk efektīvu. Antimikrobiālā rezistence visā pasaulē rada būtiskas izmaksas veselības aprūpei un veicina nāves gadījumu skaita pieaugumu.

Pētījumā, kas publicēts izdevumā Advanced Science, pētnieki ar mākslīgā intelekta palīdzību meklēja jau apstiprinātas zāles, kuras varētu izmantot cīņā pret S. pneumoniae. Šī pieeja ietilpst zāļu pārprofilēšanā — procesā, kurā medikamentiem ar jau zināmu drošuma profilu meklē jaunus lietojumus.

Trīs modeļi pārbaudīja gandrīz 7000 kandidātu

Zāļu pārprofilēšana var samazināt jaunu terapiju izstrādes laiku, izmaksas un riskus. Datormetodes šo procesu padara efektīvāku, jo tās ļauj no plašas molekulu bibliotēkas atlasīt daudzsološākos kandidātus turpmākai pārbaudei.

Pētnieki izveidoja apmācības datu kopu, kurā bija molekulas, par kurām jau bija zināms, ka tās iedarbojas pret S. pneumoniae, kā arī lielāku datu kopu ar molekulām, kas nebija aktīvas pret citu pret zālēm rezistentu baktēriju. Uz šo datu pamata tika apmācīti trīs mašīnmācīšanās algoritmu veidi: lēmumu koku ansambļi, grafu neironu tīklu ansambļi un uz sekvencēm balstītu transformatoru ansambļi.

Transformatoru modeļi iepriekš bija apmācīti ar simtiem miljonu molekulu. Pēc tam visi trīs modeļi tika izmantoti, lai novērtētu gandrīz 7000 zāļu kandidātu spēju kavēt S. pneumoniae.

Deviņas vielas kavēja baktērijas augšanu

No gandrīz 7000 kandidātu eksperimentālai pārbaudei atlasīja 11 savienojumus. Deviņi no tiem spēja kavēt S. pneumoniae augšanu. Viena no divām visiedarbīgākajām pārprofilētajām zālēm bija efektīva arī pret baktērijas rezistentajiem celmiem.

Pētījuma autori norādīja, ka trīs dažādo MI modeļu izmantošana ļāva tiem papildināt cits citu. Kopā tie kandidātu atlasē izrādījās efektīvāki nekā katrs modelis atsevišķi.

Rezultāti liecina, ka MI var palīdzēt identificēt jaunus zāļu lietojumus un racionāli izvēlēties kandidātus ar lielāko pārprofilēšanas potenciālu. Antimikrobiālās rezistences gadījumā, kad steidzami nepieciešami efektīvi savienojumi, šāda skaitļošanas pieeja var nodrošināt ātrāku un lētāku kandidātu atlasi.

“Ar MI vadīta zāļu pārprofilēšana ir kļuvusi par iedarbīgu stratēģiju cīņā pret antimikrobiālo rezistenci, īpaši attiecībā uz patogēniem, par kuriem jau zināmas dažas aktīvas molekulas, ko var izmantot kā apmācības vai precizēšanas datu kopu,” sacīja pētījuma vecākais autors Pedro J. Ballester, Londonas Imperiālās koledžas asociētais profesors un Apvienotās Karalistes Karaliskās biedrības Wolfson Fellow.

Pētījums “Artificial intelligence-guided phenotypic drug repurposing against Streptococcus pneumoniae” publicēts izdevumā Advanced Science 2026. gadā. Tā DOI ir 10.1002/advs.76959.