摘要：在一項關於抗生素作用的新研究中，麻省理工學院的研究人員開發了一種新的機器學習方法，以發現一種有助於某些抗生素殺死細菌的其他機制。Collins和Walker多年來研究了抗生素作用的機制，他們的研究表明，抗生素治療往往會產生大量細胞應激，對細菌細胞產生巨大的能量需求。

大多數抗生素通過干擾關鍵功能（例如DNA複製或細菌細胞壁的構建）起作用。然而，這些機制僅代表抗生素全部作用的一部分。

在一項關於抗生素作用的新研究中，麻省理工學院的研究人員開發了一種新的機器學習方法，以發現一種有助於某些抗生素殺死細菌的其他機制。該次級機制涉及激活細胞需要複製其DNA的核苷酸的細菌代謝。

“由於藥物壓力，對細胞有巨大的能量需求。這些能量需求需要代謝反應，一些代謝副產物有毒，有助於殺死細胞，”Termeer教授James Collins說。研究人員表示，利用這種機制可以幫助研究人員發現可與抗生素一起使用的新藥，以提高其殺傷能力。

（圖片來源：Www.pixabay.com）

Collins和Walker多年來研究了抗生素作用的機制，他們的研究表明，抗生素治療往往會產生大量細胞應激，對細菌細胞產生巨大的能量需求。在這項新研究中，柯林斯和楊決定採用機器學習方法來研究這種情況是如何發生的以及後果是什麼。

在他們開始計算機建模之前，研究人員在大腸桿菌中進行了數百次實驗。他們用三種抗生素中的一種 - 氨苄青黴素，環丙沙星或慶大黴素處理細菌，在每次實驗中，他們還添加了約200種不同代謝物中的一種，包括一系列氨基酸，碳水化合物和核苷酸（DNA的構建模塊） ）。對於抗生素和代謝物的每種組合，他們測量了對細胞存活的影響。

“我們使用了各種代謝擾動，這樣我們就可以看到擾亂核苷酸代謝，氨基酸代謝和其他代謝子網的影響。我們希望從根本上了解哪些以前未被描述的代謝途徑對我們理解抗生素如何殺死可能是重要的。”

許多其他研究人員使用機器學習模型來分析來自生物實驗的數據，通過訓練算法以基於實驗數據生成預測。然而，這些模型通常是“黑盒子”，這意味着它們不會揭示構成其預測的機制。爲了解決這個問題，麻省理工學院的團隊採用了一種新穎的方法，他們稱之爲“白盒子”機器學習。他們不是直接將數據輸入機器學習算法，而是先通過Palsson實驗室描述的大腸桿菌代謝的基因組規模計算機模型進行運行。這允許它們產生由數據描述的“代謝狀態”陣列。然後，他們將這些狀態轉換爲機器學習算法，該算法能夠識別不同狀態之間的聯繫以及抗生素治療的結果。

“我們在這裏展示的是，通過讓網絡模擬首先解釋數據然後讓機器學習算法爲我們的抗生素致死性表型構建預測模型，由該預測模型自己選擇的項目直接映射到我們的路徑上“我已經能夠通過實驗驗證，這非常令人興奮”。

資訊出處：Painting a fuller picture of how antibiotics kill

原始出處：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