一种设计和生产抗菌聚合物的新方法可能为生物医学研究带来巨大潜力。机器学习技术能够快速设计出模拟抗菌肽的聚合物,用于治疗细菌感染。抗菌肽作为天然抗菌分子,是免疫系统的重要组成部分。这些肽类物质虽能对抗多重耐药菌,但存在成本高昂、稳定性差的问题。模拟抗菌肽的聚合物因此成为对抗细菌感染的替代选择。凭借多样化的功能和可控的结构,这类聚合物可被设计为具有生物相容性。制造商能够调控材料的电荷和两亲性,从而定制出针对细菌感染的解决方案。
通过结合机器学习、组合化学、自动化合成与表征平台,研究人员正在开发一种设计此类聚合物的新方法。该方法已构建出大规模聚合物库,并成功合成了103种具有潜力的抗菌聚合物。
深度学习赋能设计。本研究基于预训练图变换器构建了深度学习模型。图结构模型能有效捕捉分子的结构信息与关联关系。研究人员在图变换器上应用线性投影层,用以预测抗菌活性和溶血活性。抗菌聚合物由11种阳离子单体、13种疏水性单体和6种亲水性单体组合而成。通过16种不同分子比例的组合,这些材料可产生13,728种独特的聚合物组合。利用该聚合物库和机器学习技术,研究人员将聚合物结构特征与抗菌活性及生物相容性建立了关联。聚合物库为筛选抗菌聚合物提供了种子数据集生成基础。
设计-构建-测试-学习的循环模式。本研究采用“设计-构建-测试-学习”循环模式进行聚合物设计。首先,机器学习模型捕捉结构设计信息;随后基于贝叶斯优化的主动学习策略提出新的聚合物候选方案;接着研究人员通过光诱导电子/能量转移可逆加成-断裂链转移聚合技术合成选定聚合物。值得注意的是,该技术可在避免严格厌氧条件的同时实现高通量合成。在“测试”阶段,研究人员使用大肠杆菌和兔红细胞表征抗菌活性与生物相容性。所得数据使机器学习模型能从实验中持续学习,进一步优化算法。通过对400种聚合物进行四轮“设计-构建-测试-学习”循环,研究人员最终获得103种达到文献报道最佳水平的抗菌聚合物。
对抗多重耐药菌。由于细菌耐药性的发展速度超过传统抗生素的发现进程,全球多重耐药问题持续加剧。本研究提出的方法克服了传统聚合物研究手段的局限性。通过该技术路径,研究人员能够快速开发模拟抗菌肽的聚合物,从而加速生物医学研究进程。