大多数抗生素通过干扰关键功能（例如DNA复制或细菌细胞壁的构建）起作用。然而，这些机制仅代表抗生素全部作用的一部分。
在一项关于抗生素作用的新研究中，麻省理工学院的研究人员开发了一种新的机器学习方法，以发现一种有助于某些抗生素杀死细菌的其他机制。该次级机制涉及激活细胞需要复制其DNA的核苷酸的细菌代谢。
“由于药物压力，对细胞有巨大的能量需求。这些能量需求需要代谢反应，一些代谢副产物有毒，有助于杀死细胞，”Termeer教授James Collins说。研究人员表示，利用这种机制可以帮助研究人员发现可与抗生素一起使用的新药，以提高其杀伤能力。
Collins和Walker多年来研究了抗生素作用的机制，他们的研究表明，抗生素治疗往往会产生大量细胞应激，对细菌细胞产生巨大的能量需求。在这项新研究中，柯林斯和杨决定采用机器学习方法来研究这种情况是如何发生的以及后果是什么。
在他们开始计算机建模之前，研究人员在大肠杆菌中进行了数百次实验。他们用三种抗生素中的一种 - 氨苄青霉素，环丙沙星或庆大霉素处理细菌，在每次实验中，他们还添加了约200种不同代谢物中的一种，包括一系列氨基酸，碳水化合物和核苷酸（DNA的构建模块） ）。对于抗生素和代谢物的每种组合，他们测量了对细胞存活的影响。
“我们使用了各种代谢扰动，这样我们就可以看到扰乱核苷酸代谢，氨基酸代谢和其他代谢子网的影响。我们希望从根本上了解哪些以前未被描述的代谢途径对我们理解抗生素如何杀死可能是重要的。”
许多其他研究人员使用机器学习模型来分析来自生物实验的数据，通过训练算法以基于实验数据生成预测。然而，这些模型通常是“黑盒子”，这意味着它们不会揭示构成其预测的机制。为了解决这个问题，麻省理工学院的团队采用了一种新颖的方法，他们称之为“白盒子”机器学习。他们不是直接将数据输入机器学习算法，而是先通过Palsson实验室描述的大肠杆菌代谢的基因组规模计算机模型进行运行。这允许它们产生由数据描述的“代谢状态”阵列。然后，他们将这些状态转换为机器学习算法，该算法能够识别不同状态之间的联系以及抗生素治疗的结果。
“我们在这里展示的是，通过让网络模拟首先解释数据然后让机器学习算法为我们的抗生素致死性表型构建预测模型，由该预测模型自己选择的项目直接映射到我们的路径上“我已经能够通过实验验证，这非常令人兴奋”。（生物谷Bioon.com）
资讯出处：Painting a fuller picture of how antibiotics kill
原始出处：Jason H. Yang, Sarah N. Wright, Meagan Hamblin, Douglas McCloskey, Miguel A. Alcantar, Lars Schrübbers, Allison J. Lopatkin, Sangeeta Satish, Amir Nili, Bernhard O. Palsson, Graham C. Walker, James J. Collins. A White-Box Machine Learning approach for Revealing Antibiotic Mechanisms of Action. Cell, 2019; DOI: 10.1016/j.cell.2019.04.016