点击本文中加粗蓝色字体即可一键直达新药情报库免费查阅文章里提到的药物、机构、靶点、适应症的最新研发进展。
当前，抗生素的创新研发成为了科研界的焦点。今天，我们将探讨一篇在《Cell Chemical Biology》上发表的研究，该研究专注于开发针对代谢不活跃状态细菌（即休眠状态）的新型抗生素。文章通过结合静止期筛选技术、深度学习以及细胞毒性测试，成功发现了一种名为semapimod的化合物，它能够有效对抗处于静止期的大肠杆菌和鲍曼不动杆菌。研究指出，semapimod通过与脂多糖结合，选择性地破坏细菌的外膜，从而增加其通透性。该研究突显了非传统筛选方法和深度学习模型在新型抗菌化合物发现中的巨大潜力。
休眠状态的细菌在能量耗尽时会进入一种节省能量的状态。在抗生素治疗期间，部分细菌保持在这种状态，避免了被消灭，并在治疗结束后恢复生长，可能导致疾病的再次发作。研究揭示，细菌群体中存在少数休眠细菌是其长期生存和适应环境压力的关键策略，这增加了抗生素耐药性的复杂性，需要新的治疗方法来应对。
休眠细菌具有几个显著特点：它们对传统抗生素具有很高的抗药性，因为这些药物主要针对活跃的细胞；它们能在宿主体内长期存活，引起慢性感染；它们是细菌应对不利环境的生存策略；并且它们常形成生物膜，增加了清除难度。深入理解休眠细菌对于开发新的抗菌策略至关重要，特别是对抗慢性和难以治疗的细菌感染。
作者的研究领域涵盖合成生物学和抗生素与人工智能的结合。在合成生物学中，作者利用工程原理设计合成基因网络和细胞，同时运用深度学习发现新的基因元件，优化设计过程。在抗生素与AI项目中，作者利用AI技术发现新抗生素，并快速解析其作用机制，同时进行新抗生素的从头设计和开发。
文章中，作者开发了一种基于稀释和再生的筛选方法，专门针对处于代谢休眠状态的细菌，使用特定的大肠杆菌株进行实验，这些细菌在特定培养基中生长后进入休眠状态。经过化合物处理后，通过在新鲜培养基中再生，筛选出有活性的化合物。
利用筛选数据，作者训练了一个深度学习模型来预测抗生素的效果。与传统的分子表示方法相比，分子图表示法，即将分子结构转化为图的形式，再由图神经网络处理，被证明在药物性质预测中更为有效。
在细胞毒性测试中，作者从筛选出的化合物中挑选出105种对休眠细菌有杀灭作用的化合物，并通过三步过滤系统，筛选出对人类细胞毒性低的化合物。最终，semapimod因其低毒性和对休眠细菌的有效性而脱颖而出。
总结来说，传统的抗生素发现主要针对细菌的生长期，但现代研究已经揭示了感染微环境的多样性，其中许多情况细菌处于营养匮乏和代谢休眠状态。作者通过结合实验筛选、机器学习和毒性评估的方法，成功筛选出对代谢休眠细菌有效的低毒性抗菌化合物，为抗生素研发提供了新的方向。
免责声明：新药情报内容编辑团队专注于介绍全球生物医药健康研究的最新进展，本文旨在提供信息交流，不代表任何立场或治疗方案推荐。如需专业医疗建议，请咨询正规医疗机构。
