AI助力，“撈出”腸道菌群中耐藥菌“殺手”

　　在人體的“宇宙”中，居住著數百萬種微生物。它們相生相克、相互制衡，維持著人體健康的微生態平衡。

　　很多常見耐藥菌，如金黃色葡萄球菌、肺炎鏈球菌、大腸桿菌等都是人體共生的“原住民”。而人體中同樣存在著克制它們的微生物及其代謝產物。找到這些耐藥菌的“克星”作為藥物是當前生命科學領域的前沿問題。

　　如何在數以千萬億計的人體微生物“居民”中“撈出”這些耐藥菌的天然“殺手”呢？面對這一難題，中國科學院微生物研究所研究員陳義華和王軍團隊合作，利用機器學習的方法，從一萬多個腸道微生物中“海淘”出三個具有顯著活性和安全性的抗菌肽“潛力股”。相關研究3月4日發表于《自然—生物技術》。

　　“整個研究令人振奮！從人體腸道微生物組挖掘抗菌肽的方法十分新穎。”該刊一位審稿人評論說。

　　AI開路 “海撈”奏效

　　長期以來，微生物產生的活性代謝產物是開發抗菌藥物的重要資源。青霉素、頭孢菌素、紅霉素、萬古霉素、達托霉素……臨床使用的抗菌藥物中，超過一半來源于微生物。

　　科學家認為，人體腸道中龐大的微生物“居民”中也蘊含著與耐藥病原菌共生的克星，它們的代謝產物能夠抑制耐藥菌的活性。

　　抗菌肽（AMPs）就是這樣一類具有抗微生物活性的小肽（序列在幾個到幾十個氨基酸殘基之間）。以往研究發現，它們經過簡單的后修飾或不經任何修飾就能直接發揮作用，達到抑制病原微生物的效果。它們能抵御多重耐藥菌，同時不易產生耐藥性的抗菌肽，被認為是可能替代傳統抗生素的下一代抗菌劑。

　　近些年來，測序技術發展誕生的海量微生物組數據為人們尋找這樣的活性肽提供了豐富的數據資源。但挖掘方法的局限阻礙了相關研究的步伐。

　　一次午餐時，研究細菌的陳義華和做生物信息學的王軍談到此事，便一拍即合，躍躍欲試。

　　“人體腸道微生物互作網絡錯綜復雜，存在許多序列短、多樣性高、相似性低的功能多肽，怎么區分它們是個難題。”文章共同通訊作者王軍向《中國科學報》解釋，人工智能深度學習方法為此提供了機遇。

　　研究團隊采用自然語言學習（NLP）的多種神經網絡方法，把氨基酸序列當做“語言”，訓練人工智能學習現有抗菌肽的組織方式，從而讓其根據“經驗”識別氨基酸短序列，區分相似的多肽。通過選取三種NLP神經網絡模型來預測鑒定，他們實現了抗菌肽挖掘模型的構建和優化。在測試集中，該模型的精確度達到了91.31%。

　　有了模型，接下來的就是放開手腳挖掘數據——研究團隊對1萬多個微生物組進行了“海淘”，挖掘并合成了216種潛在的新型抗菌肽。經實驗驗證，其中181種新型抗菌肽具有抗菌活性（占83.8%）。進一步實驗表明，抗菌肽對多重耐藥革蘭氏陰性菌具有較強的抑菌能力。

　　這些抗菌肽是否新穎呢？對此，王軍表示：“它們絕大多數與已知的抗菌肽序列同源性低于40%。而且最終選取的抗菌肽作用機制不單一，體現出我們的方法沒有特定的偏好性。”

　　層層篩選 “萬里挑三”

　　新抗菌肽拿到了，接踵而至的是三個關鍵問題：它們的抗菌活性究竟如何？作用機理是什么？是否安全可靠？

　　首先，陳義華團隊對181種抗菌肽的活性逐一測試，并在此基礎上選取了其中最有效的11種進行了新一輪測試。其測試對象包括糞腸球菌、金黃色葡萄球菌、肺炎克雷伯菌、鮑曼不動桿菌、綠膿桿菌、陰溝腸桿菌和大腸桿菌等病原細菌。

　　“我們發現這些抗菌肽只需要少許劑量就能實現多重耐藥菌的顯著抑制能力。”論文共同作者陳義華向記者介紹，11種抗菌肽對單個菌的最低抑菌濃度（MIC）大部分值低于每升50微摩爾（即百萬分之五十摩爾）。在針對臨床分離得到的鮑曼不動桿菌、肺炎克雷伯菌和大腸桿菌等多重耐藥菌活性測試中，有10種抗菌肽顯示出強抑制能力。

　　為了解其作用機理，研究者通過對11種抗菌肽進行測試，確定了其中部分肽的作用位點分別為細胞膜和細胞壁。“如果用電子顯微鏡觀察，可以看到和抗菌肽共培養的大腸桿菌細胞膜明顯破裂。這樣細胞內容物外流，耐藥微生物就被殺死了。”陳義華向記者解釋。

　　透射電鏡下觀察未經抗菌肽處理的大腸桿菌超薄切片（放大倍數8000），細胞結構完整。 論文作者供圖

　　透射電鏡下觀察抗菌肽處理的大腸桿菌超薄切片（1倍最低抑菌濃度，放大倍數8000），可觀察到細胞結構破壞和皺縮。論文作者供圖

　　透射電鏡下觀察抗菌肽處理的大腸桿菌超薄切片（10倍最低抑菌濃度，放大倍數8000），可明顯觀察到細胞結構的進一步破壞和內容物泄露。 論文作者供圖

　　據介紹，經過長達30天的連續傳代培養，研究者并未觀察到大腸桿菌產生任何抗性。另外，他們還發現這11種優質抗菌肽中有超過一半的小肽由alpha-螺旋結構主導，這種小肽或具有更強的抑菌活性。

　　通過溶血實驗（紅細胞破裂溶解）和細胞毒性實驗，他們進一步從11種抗菌肽中篩選出了3種溶血性和細胞毒性相對較低的小肽。小鼠模型實驗表明，這3種小肽治療后小鼠比未進行任何治療的小鼠體重恢復速率明顯較快；同時，治療組的肺部組織病原菌遺留量比非治療組下降了一到兩個數量級。驗證了這三類多肽的有效性和安全性。

　　“這項工作非常有意義。它利用機器學習的方式挖掘新穎的抗菌肽，然后通過細致的微生物學測試研究它們的功能，對相關領域有啟發作用。”另一位審稿人評論說。

　　或迎來多肽類藥物爆發期

　　當前，傳統新藥開發困難重重，從候選小分子出發，要經過很多輪的篩選，每一步都有很多的失敗率。經常，一個藥物投入幾十億美元，最后折戟而歸。

　　很多人常用“十年十億美金”來形容一款新藥的開發成本。但事實上有時還會低估其真實的研發成本。美國塔夫茨大學藥物發展研究中心2016年研究發現，最終獲美國食品與藥物管理局批準的每種創新藥物總平均成本或高達25.58億美元。

　　“如果一開始候選分子的范圍比較窄，失敗的風險和投入的成本會更高。”王軍說，“我們的方法說明，通過深度學習可以更快、更高效地確定更多的候選分子，在此基礎上一步步篩選，極大縮減了時間和實驗的成本。”

　　他表示，理論上多肽藥物可選擇的序列是“天文級”的，遠超ZINC15數據庫（目前最大的有機小分子化合物庫之一）現在收集的1億余種化學類分子總量。然而，因為開發、利用的效率低，過去40年里獲批的多肽藥物數量十分有限。

　　隨著機器學習的深入發展，或將迎來多肽類藥物的爆發期。生物學家可以通過海量的基因組數據，大量發現，乃至主動設計、從頭生產自然界不存在的活性肽。“這是未來的發展方向。”王軍說。

　　陳義華也表示，在此次研究中，微生物在復雜的人體環境中產生抗菌肽的巨大潛能，提供了通過微生態關系從微生物組數據中直接挖掘活性代謝產物的證據和良好范例。

　　作者表示，目前的研究僅通過動物實驗證明部分多肽的有效性和安全性，提供了一個成藥的候選分子或前體分子。接下來需要進行臨床前的成藥性等評價，挖掘相關分子在農業和畜牧業方面的潛在應用價值。

　　相關論文信息：https://www.nature.com/articles/s41587-022-01226-0