Novas maneiras de combater a resistência a antibióticos

Na década de 1940, os antibióticos mudaram a medicina, ajudando as pessoas a se recuperarem de infecções bacterianas e diminuindo as taxas de mortalidade. Mas logo surgiram novos problemas, como resistência a antibióticos e alergias a esses medicamentos. No início dos anos 2000, muitos antibióticos já não estavam funcionando bem, levando a cerca de 5 milhões de mortes por ano. Esse número pode crescer para 10 milhões até 2050. A resistência crescente dos germes aos antibióticos tradicionais é um problema global sério, exigindo novas formas de tratar infecções.

Para enfrentar esse problema, os pesquisadores estão buscando tratamentos alternativos, especialmente opções baseadas em biológicos que são mais específicas e menos propensas a causar resistência. Uma área promissora envolve o uso de peptídeos e proteínas, como Peptídeos Antimicrobianos (AMPs) e anticorpos monoclonais (mAbs). Os AMPs podem combater efetivamente vários germes, mesmo aqueles que são resistentes a múltiplos medicamentos. Eles agem rapidamente e usam métodos únicos para reduzir as chances de os germes se tornarem resistentes. Os AMPs desestabilizam as membranas bacterianas graças à sua estrutura especial, que permite que eles ataquem células carregadas negativamente.

#O Papel dos Bancos de Dados

Com o interesse nos AMPs crescendo, os pesquisadores criaram vários bancos de dados para armazenar informações valiosas sobre esses peptídeos. O primeiro banco de dados importante, chamado Banco de Dados de Peptídeos Antimicrobianos (APD), começou em 2004. Ele contém informações detalhadas sobre peptídeos com várias propriedades diferentes, incluindo suas habilidades para combater tumores, vírus, fungos e bactérias. Com o tempo, mais fontes de dados públicas surgiram, como CAMPR4, DBAASP v3 e outros, oferecendo detalhes essenciais sobre a estrutura e funcionalidade dos peptídeos. Esses recursos são cruciais para o desenvolvimento de novos medicamentos e para avançar na pesquisa de AMPs.

Nos últimos anos, houve um aumento em ferramentas que ajudam a prever e projetar sequências de AMPs, como AI4AMP, AMPDiscover e várias outras. Algumas ferramentas até se concentram em prever peptídeos que podem combater especificamente a tuberculose. No entanto, esses métodos muitas vezes não medem quão eficaz um peptídeo é ou quanto é necessário para parar o crescimento bacteriano. Pesquisas recentes visam entender melhor a quantidade mínima de peptídeos necessária para afetar bactérias como a E. Coli.

#Nossos Esforços de Pesquisa

Para melhorar a previsão da eficácia dos AMPs, criamos um método para estimar o valor da Concentração Inibitória Mínima (CIM) de peptídeos contra E. coli. Um dos principais objetivos era ajudar os cientistas a projetar peptídeos que pudessem atacar efetivamente essa bactéria. Desenvolvemos um software independente chamado EIPpred e uma plataforma web para auxiliar nessa tarefa. Nosso servidor escaneia peptídeos antibacterianos em proteínas em larga escala, prevendo sua eficácia e identificando quais partes dos peptídeos influenciam seus valores de CIM.

#Coleta de Dados

Primeiro, reunimos um conjunto de dados contendo informações sobre 3.929 peptídeos e seus valores de CIM contra E. coli. Esse conjunto de dados veio de pesquisas anteriores e foi dividido em duas partes: um conjunto de treinamento de 3.143 peptídeos e um conjunto de validação menor de 786. Mantivemos o comprimento dos peptídeos consistente em ambos os conjuntos para evitar quaisquer viéses.

Além disso, criamos um conjunto de dados independente separado usando 498 peptídeos, garantindo que nenhum fosse idêntico aos da coleta de treinamento e validação. Esse novo conjunto de dados foi essencial para testar o desempenho dos nossos métodos.

#Abordagem de Pesquisa

Utilizamos um processo chamado validação cruzada em 5 partes para garantir que nossas previsões fossem precisas. Essa técnica divide os dados em cinco partes, usando quatro partes para treinar o modelo e uma parte para testá-lo. Esse método reduz erros e nos dá uma visão mais clara de como nosso modelo se sai. Também utilizamos uma ferramenta chamada BLAST para encontrar peptídeos semelhantes, comparando-os com peptídeos antibacterianos conhecidos. Essa etapa nos ajudou a prever a eficácia dos nossos peptídeos de validação.

#Características dos Peptídeos

Para criar nossos modelos preditivos, precisávamos analisar as características dos peptídeos. Observamos vários tipos de características das Sequências de Peptídeos para reunir um amplo espectro de informações. Mais de 9.000 características foram calculadas, cobrindo diferentes aspectos das composições dos peptídeos.

Também criamos perfis binários, que atribuíram valores aos aminoácidos com base em seus padrões. Essa etapa ajudou a entender a influência dos comprimentos dos peptídeos em sua eficácia. Por exemplo, organizamos os peptídeos em quatro grupos com base em seus comprimentos, permitindo uma análise melhor das suas características específicas.

#Técnicas de Aprendizado de Máquina

Implementamos vários modelos de aprendizado de máquina em nosso estudo para criar uma relação entre as características dos peptídeos e seus valores de CIM. Usamos doze algoritmos de regressão diferentes para determinar qual modelo funcionava melhor para nossas previsões. O Regressor de Random Forest (RFR) apresentou a melhor precisão entre todos os modelos, especialmente ao usar todas as características composicionais.

Experimentamos com diferentes conjuntos de características e descobrimos que aqueles baseados nas composições dos peptídeos tiveram o melhor desempenho. Os modelos que dependiam de peptídeos com comprimentos entre 5 a 20 aminoácidos também geraram previsões melhores.

#Resultados e Desempenho

Nossas descobertas revelaram que usar as características certas impacta significativamente a precisão das previsões de CIM. O modelo RFR alcançou altas pontuações de correlação com os valores reais de CIM, especialmente quando selecionamos as 1.000 melhores características. Esse método reduziu informações irrelevantes, levando a previsões mais confiáveis.

Também examinamos como nossos modelos poderiam prever a eficácia dos peptídeos em comparação com métodos existentes. Nosso modelo RFR superou outros modelos na previsão de valores de CIM, mostrando sua força e confiabilidade, mesmo com métodos computacionais básicos.

#Desenvolvimento de Servidor Web

Para tornar nossas previsões acessíveis, construímos uma plataforma web amigável chamada EIPpred. Este site permite que os usuários prevejam a atividade inibitória de peptídeos contra E. coli e até projetem novos mutantes de peptídeos. A plataforma permite que pesquisadores escaneiem sequências de proteínas para localizar regiões eficazes com base nos valores de CIM previstos.

#Conclusão

As bactérias, especialmente E. coli, continuam a evoluir, tornando essencial encontrar novas maneiras de combater a resistência a antibióticos. Nosso estudo se concentrou em desenvolver uma ferramenta rápida e eficiente para prever a eficácia de peptídeos antimicrobianos contra E. coli. Aproveitando várias técnicas de aprendizado de máquina e reunindo dados extensivos, fornecemos um modelo que pode ajudar os pesquisadores a projetar melhores opções de tratamento em uma época em que os antibióticos tradicionais estão perdendo eficácia.

Essa ferramenta pode ser um recurso essencial para a comunidade científica, permitindo o design e a previsão de novos peptídeos que poderiam ajudar a combater infecções bacterianas. O futuro está em melhorar ainda mais esses modelos e expandir sua aplicação para outras bactérias nocivas, oferecendo mais soluções para o crescente problema da resistência a antibióticos.