Nature-2018-抗菌药物组合有望特异性治疗耐多药性的细菌感染

本文由同济大学赵晗编译,宏基因组公众号编辑。

抗菌药物组合的物种特异活性

Species-specific activity of antibacterial drug combinations

(Nature,IF: 41.577)

一、摘要

抗菌药物耐药性的传播已经成为一个日渐严重的公共健康问题,它使得曾经可治疗的疾病再次变为致命疾病,这破坏了现代医疗的成就。药物联合使用能够帮助对抗耐多药性的细菌感染,但它们在很大程度上尚未开发,并很少在临床上使用。

本文中描述了大约3000种不同剂量的抗生素、靶向人体的药物和食品添加剂的组合,在分别来源于三种革兰氏阴性致病大肠杆菌、鼠沙门伤寒菌和铜绿假单胞菌的六种菌株上的效果,从而来判断抗菌药物的联合使用的一般原则并了解其应用潜力。尽管这三种物种存在系统发育学相关性,超过70%的药物-药物相互作用具有物种特异性,20%的存在菌株特异性,这揭示了窄谱疗法的巨大潜力

总体来说,拮抗效果比协同效果更为常见,并且几乎仅发生在靶向不同细胞进程的药物之间,而协同效果更加保守并且富集在靶向相同细胞进程的药物中。本文提供了对这种二分法的机制见解,并进一步剖析了食品添加剂香草醛的相互作用。

最后,本文证明了几种药物协同作用在体外和大蜡蛾的幼虫感染期间对多种药物抗性临床分离株有效,并对抗生素的杀手锏粘菌素具有一种逆转性抗性。

二、正文

1. 材料选择

本文选择三种属于抗生素耐药高危群体的γ-变形杆菌:大肠杆菌(Escherichia coli)、鼠沙门伤寒菌(Salmonella enterica)和铜绿假单胞菌(Pseudomonas aeruginosa)(附图1)。为了进一步评估同一物种的菌株之间的药物反应是否不同,本文涵盖了对于每个菌种的两个菌株。

所用79种药物化合物包括59%的抗生素(涵盖所有主要类别)、23%的人类靶向药物和食品添加剂,其中大多数报告具有抗菌和/或佐剂活性,和18%具有已知细菌靶标或遗传毒性作用的其他化合物(附图1),例如质子动力抑制,RS或氧化损伤剂,它们与抗生素活性和/或摄取的潜在相关性。

image

附图1. 针对革兰氏阴性菌的成对药物组合的高通量分析

2. 药物组合结果

本文得到在6个菌株中对多达2883个成对药物组合(总共17050对组合)。通过Bliss independence model评估药物组合对于抗菌的拮抗和协同效果,并且根据模型得出分数的规定了联合作用效果的强弱。

最终在大肠杆菌检测到19%的相互作用(协同作用和拮抗联合作用),并且在鼠沙门伤寒菌和铜绿假单胞菌中分别检测到16%和11%的这种相互作用。这些药物组合和前人研究中对于抗生素作用于大肠杆菌的结果超过70%吻合,由于药物选择等原因,和之前研究中在真菌中测得更大数据量的药物组合只有小于2%结果吻合。

因为药物组合之前没有在细菌中进行过系统的实验,本文缺乏对数据的验证指标。为了解决这个问题,本文选择了其中242种药物组合,用更高精度的实验进行测量。总体上,实验的结果可以达到91%的精准率和74%的召回率

3. 药物组合网络的法则

总体上,本文检测到1,354对拮抗和1,230对协同的药物组合作用。其中,拮抗的效果比协同的效果多了近50%的比例(图1a),这个结果和之前在真菌中能得到更过的拮抗效果的药物组合结论也相一致。并且拮抗作用几乎只发生在靶向不同细胞过程的药物之间,而协同作用富集在对于同类药物或靶向相同过程的药物中(图b-e)。

image

图1. 药物-药物相互作用网络原理

对于药物的拮抗作用发生在靶点不同过程,理论上可以通过药物-靶水平的相互作用来解释,因为这两种抑制剂可以帮助细胞缓冲更多不同过程的干扰,比如DNA和蛋白质合成抑制剂在细菌就是以这种方式作用的。大部分的拮抗作用是由于对细胞内药物浓度的调节产生效果,而不是因为他们靶标的直接相互影响。

对于药物的协同作用发生在靶点相同过程,可以理解为通过靶点相同的功能过程以不同的步骤,药物组合可以绕过该过程的冗余,从而具有协同效应。并且协同作用也可以通过细胞内药物浓度的调节产生效果。

4. 药物作用的保守性

对于所属同一个菌种间的相互作用是高度保守的,高达53-76%的相互作用在不同菌株的相同菌种中是共有的。13至32%的相互作用保持菌株特异性,而且在第二菌株中大多数药物都是没有相互作用效果的(图2a-b)。虽然很少有药物组合对一种菌株起协同作用,而对另一种菌株起拮抗作用,但是这种情况可以被验证集中实验被证明。

对于跨物种的情况来说大多数(70%)的相互作用只发生在一个物种中,而只有5%在所有三个物种中是保守的,尽管它们之间有着相近的系统发育关系(图2c)。药物的互作用对于物种的特异性有助于对部分菌进行针对性治疗,减少副作用。

尽管协同作用对于拮抗作用来说不太普遍(图1a),但它们比拮抗作用明显更保守(图2d)。可能是因为(1)协同作用在相同类别药物中富集,作用的过程在进化上是保守的;(2)协同作用中有1/4组合存在膜靶向药物,而这类药物对革兰氏阴性菌的作用具有普适性;(3)拮抗作用通常依赖于调节膜内的浓度产生作用,这种机制不是很保守。

image

图2. 药物作用的保守性

5. 食品添加剂香草醛的相互作用

因为抗生素类的相互作用主要以相同的方式,所以根据它们之间的相互作用对药物进行聚类,从而找到他们的分类群体。通过相互作用的表达谱聚类发现食品添加剂香草醛和阿司匹林聚在一起,这表明两种药物可能具有相同的作用。通过实验发现食品添加剂香草醛和阿司匹林都是通过抑制MarR(多重抗生素抗性抑制子)的表达进而表现出耐药性。

image

图3. 食品添加剂香草醛诱导多重耐药表型

6. 七种药物协同作用在体外和体内的功效

为了测试所检测到的相互作用是否与耐药菌株相关,本文选择了7种强而保守的药物协同作用,这些药物包括抗生素、人类靶向药物或食品添加剂,并评估它们对共6种耐多药性的大肠杆菌菌株和肺炎克雷伯杆菌(Klebsiella pneumoniae)临床分离的菌株的疗效。在体外实验中所有药物组合对大部分菌株中都表现出协同效果(图4a)。并且两种药物组合的协同作用可以杀伤在大蜡蛾的幼虫感染期间对对应的多种药物抗性的临床分离株,提高其感染后的生存率(图4b)。

这些协同作用最强的是在粘菌素和不同大环内酯类之间的药物组合(图4)。虽然已知其他多粘菌素可以帮助大环内酯类物质穿越革兰氏阴性细菌的外膜,但这种特殊的协同作用在低粘菌素浓度(< 0.3 μg ml-1)下也可以发生,甚至对具有粘菌素抗性的菌株(K.pneumoniae 929,图4)也是有效的。

image

图4. 抗耐多药性革兰氏阴性菌临床分离菌株的有效协同药物组合

三、 总结

  1. 提供了对革兰氏阴性菌的成对药物组合的综合资源。
  2. 并且阐明了药物相互作用的关键原则
    1. 药物与药物的相互作用有很高物种特异性,即使药物在不同物种中具有相同的细胞目标。
    2. 拮抗作用和协同作用具有明显的二分性。拮抗作用发生在靶向不同细胞进程的药物之间,而协同作用富集在靶向相同细胞进程的药物中
    3. 拮抗效果比协同效果更为常见,这个表明了如果一些随机的混合药物具有拮抗作用,很可能是减小了其中个体药物的功效。
    4. 尽管同类抗菌药物有相似的对其他药物的互作用,但是至少部分的拮抗药物是通过调节细胞内液浓度发挥作用。
  3. 提供了一个评估药物组合在跨物种和药物之间的保守性框架。
  4. 提供了通过非抗生素药物作为佐剂为窄谱抗菌治疗的新途径,并找到对抗耐多药性临床分离菌的有效协同药物组合。在体外实验中证明了其中7对协同作用药物的有效性,其中2对在体内同样有功效。

参考文献:

Brochado A.R., et al. Species-specific activity of antibacterial drug combinations[J]. Nature 559, 259–263 (2018). https://www.nature.com/articles/s41586-018-0278-9

猜你喜欢

写在后面

为鼓励读者交流、快速解决科研困难,我们建立了“宏基因组”专业讨论群,目前己有国内外2200+ 一线科研人员加入。参与讨论,获得专业解答,欢迎分享此文至朋友圈,并扫码加主编好友带你入群,务必备注“姓名-单位-研究方向-职称/年级”。技术问题寻求帮助,首先阅读《如何优雅的提问》学习解决问题思路,仍末解决群内讨论,问题不私聊,帮助同行。
image

学习扩增子、宏基因组科研思路和分析实战,关注“宏基因组”
image

image

点击阅读原文,跳转最新文章目录阅读
https://mp.weixin.qq.com/s/5jQspEvH5_4Xmart22gjMA

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值