人工智能引导的表型药物重定位：针对肺炎链球菌的候选抗生素发现
核心概要
该研究针对耐药性肺炎链球菌，利用由 transformer、图模型和树模型组成的集成模型（在 1849 个活性化合物与 34 503 个非活性化合物上训练），对 6747 种药物进行前瞻性筛选，选出 11 个候选抗生素，其中 9 个在体外显著抑制肺炎链球菌 R6 生长（IC50 ≤ 0.4 µg/mL），最强效的硫链丝菌素和头孢噻呋 IC50 分别为 0.0001 µg/mL（60.1 pM）和 0.0004 µg/mL（764 pM），且硫链丝菌素对多重耐药菌株仍保持高效力。
Overview of the AI‐driven drug repurposing workflow against Streptococcus pneumoniae cultures. (a) The dataset was created from bioassays from PubChem and ChEMBL, filtered specifically by keywords related to pneumococci and resistance, and further refined to include only bioassays with specific assay types such as MIC, MIC 90 , MIC 50 , and Activity. (b) This study used three AI models to prospectively evaluate 6747 small‐molecule drugs for their potential to inhibit S. pneumoniae , selecting those with high consensus predictions as promising repurposing candidates. (c) MoLFormer models are adapted for antibiotic screening by adding a trainable Feed‐Forward Network (FFN) block (highlighted in orange). (d) From the top predictions, we selected 11 compounds for in vitro testing based on high model scores and chemical structure dissimilarity to training molecules.
PubMed深度剖析
将 AI 驱动的表型药物重定位方法应用于肺炎链球菌这一此前尚未被该策略覆盖的病原体。 原文指出，AI 已推动其他人类病原体的表型重定位，但“this remains to be investigated for S. pneumoniae”，本研究填补了这一空白。 方法层面明确：使用 transformer、图模型和树模型的集成，训练集为 1849 个活性化合物与 34 503 个非活性化合物，前瞻性考察 6747 种药物。
从 6747 种药物中选出 11 个候选抗生素，其中 9 个在体外显著抑制肺炎链球菌 R6 生长。 提供了针对肺炎链球菌的具体候选药物清单，而非仅停留在计算预测层面。 体外实验验证：9/11 候选药物显示 IC50 ≤ 0.4 µg/mL 的强效生长抑制。
鉴定出两种极强效药物：硫链丝菌素（IC50 0.0001 µg/mL，60.1 pM）和头孢噻呋（IC50 0.0004 µg/mL，764 pM）。 给出了皮摩尔级别的效力数据，为后续开发提供高优先级起点。 体外 IC50 测定，数值明确且效力极高。
硫链丝菌素对多重耐药菌株仍保持高度效力，提示其可用于治疗常见非侵袭性肺炎链球菌感染并服务于抗生素管理。 将候选药物的价值从敏感菌株扩展到多重耐药菌株，并关联抗生素管理实践。 原文表述为“remained highly potent even against multidrug-resistant strains”，属于体外效力观察，作者以“suggesting”提出应用前景。
启示与展望
该研究面向肺炎链球菌这一具体病原体，采用体外表型筛选与 IC50 测定，适用于发现和优先排序候选抗生素；其最直接的服务对象是抗感染药物研发与抗生素管理相关研究。原文提示硫链丝菌素可能用于治疗常见非侵袭性肺炎链球菌感染，但这一应用场景属于作者基于体外结果的建议。
原文为摘要级信息，未提供模型性能指标、候选药物筛选阈值、实验重复次数、统计方法及体内验证数据；硫链丝菌素对多重耐药菌株的效力仅以文字描述，缺少具体菌株与数值。读者可关注这些细节在完整论文中的呈现，以及体外效力向体内疗效转化的证据。