SyntheMol：生成式AI驱动的抗生素发现——从300亿分子空间到实验室验证

文献来源： Swanson K., Liu G., Catacutan D.B., Arnold A., Zou J., Stokes J.M. Generative AI for designing and validating easily synthesizable and structurally novel antibiotics.Nature Machine Intelligence, Vol. 6, March 2024, pp. 338–353. https://doi.org/10.1038/s42256-024-00809-7

目录

1. 1. 研究背景与问题动机
2. 2. 现有方法的局限性分析
3. 3. SyntheMol方法论详解
4. 4. 训练数据与性质预测模型
5. 5. 生成模型：MCTS在化学空间中的应用
6. 6. 后处理过滤策略
7. 7. 化合物合成与实验验证
8. 8. 毒性预测与体内安全性评估
9. 9. 方法横向比较与创新点分析
10. 10. 结果解读与临床意义
11. 11. 局限性与未来方向

一、研究背景与问题动机

1.1 抗生素耐药危机的规模

抗微生物药物耐药性（Antimicrobial Resistance, AMR）已构成全球公共卫生重大威胁。据2022年《柳叶刀》发布的系统综述数据：

• • 2019年，全球约 495万人 死亡与耐药菌感染相关，其中约127万人直接由耐药菌感染致死
• • 按当前趋势，预计至 2050年，AMR相关死亡人数将攀升至 每年1000万，超越癌症成为全球第一大死亡原因
• • 耐药决定子的全球传播速度已远超新型抗生素的研发与审批速度

1.2 ESKAPE病原体与鲍曼不动杆菌

六种被称为"ESKAPE病原体"的细菌（Enterococcus faecium、Staphylococcus aureus、Klebsiella pneumoniae、Acinetobacter baumannii、Pseudomonas aeruginosa、Enterobacter spp.）因其高毒力与多重耐药性，对临床医学构成极端威胁。

其中，革兰氏阴性菌鲍曼不动杆菌（A. baumannii） 被世界卫生组织列为最高优先级的新型抗生素研发靶标，原因包括：

• • 其高度不通透的外膜构成天然的渗透屏障，显著降低大多数抗生素的胞内浓度
• • 临床上已出现对碳青霉烯类、多黏菌素等"最后防线"抗生素均耐药的全耐药菌株（pan-resistant）
• • 现有治疗选项极为有限，严重院内感染的死亡率居高不下

1.3 结构新颖性的战略意义

针对当前已知耐药机制，发现结构全新（structurally novel）的抗生素具有根本性战略价值：

• • 细菌针对某类抗生素进化出的耐药机制（如β-内酰胺酶、外排泵、靶点突变等），对结构完全不同的分子通常无效
• • 结构新颖性有助于规避交叉耐药（cross-resistance），延长药物临床使用寿命
• • 新型骨架也为后续的构效关系（SAR）优化提供更广阔的化学多样性空间

二、现有方法的局限性分析

2.1 性质预测模型（Property Prediction Models）

代表工作：

• • Stokes等（2020，Cell）使用深度学习预测模型对~1.07亿分子进行E. coli生长抑制活性预测，发现了Halicin等结构新颖抗生素
• • Rahman等（2022，PLoS Comput. Biol.）针对Burkholderia cenocepacia构建预测模型，筛选~22.4万分子

根本局限：

2.2 生成模型（Generative Models）

代表架构： 变分自编码器（VAE）、图神经网络生成模型、基于SELFIES的生成模型等

根本局限：

关键观察： 截至本文发表，极少有生成式方法真正合成并实验验证了所生成分子的抗生素活性。本工作正是要弥补这一"最后一公里"缺口。

三、SyntheMol方法论详解

3.1 核心设计哲学

SyntheMol的设计哲学体现为一句话：将分子生成问题转化为在合成可行化学空间中的智能搜索问题。

不同于在连续分子表示空间中采样或用强化学习优化分子图，SyntheMol将化学空间定义为一个组合化学空间（combinatorial chemical space）：空间中的每个分子都由有限数量的可购买分子砌块（building blocks）经过已知化学反应组合而成，因此每一个生成分子天然携带完整合成路线。

3.2 化学空间定义：Enamine REAL Space

本研究采用Enamine公司的REAL（REadily AccessibLe）Space作为搜索域：

经数据预处理（SMILES标准化、去重、去盐）后，SyntheMol实际使用：

• • 132,479个唯一分子砌块（分子量范围：17–503 Da；cLogP范围：−2.98至7.89）
• • 13种最常用REAL反应（覆盖REAL Space的96.6%）
• • 对应化学空间：29,575,293,692个分子（REAL Space的93.9%）

3.3 整体流程概览

训练集构建（~3周）
    ↓
性质预测模型训练（~1.5小时）
    ↓
SyntheMol生成（20,000次搜索，~8.5小时）
    ↓
后处理过滤（结构新颖性 + 分数排序 + 多样性聚类）
    ↓
REAL Space可用化合物筛选（150 → 70个）
    ↓
化合物合成（Enamine，~4周，58个成功）
    ↓
体外抗菌活性验证（~2个月）

全流程总耗时约3个月，展示了生成式AI加速药物发现的实际效率。

四、训练数据与性质预测模型

4.1 训练集构建

团队对三个来源各异的化合物库进行了A. baumannii ATCC 17978抗菌活性筛选（50 µM，16小时，OD₆₀₀读值）：

活性二值化策略： 对每个库单独计算OD₆₀₀均值μ和标准差σ，以 μ − 2σ 为阈值，低于阈值者标注为活性化合物。

合并三库后，经去重和冲突标注剔除，最终训练集：

• • 总分子数：13,524个
• • 活性化合物：470个（3.5%）
• • 非活性化合物：13,054个（96.5%）

化学空间覆盖验证： 通过t-SNE可视化，训练集活性化合物在化学空间上同时覆盖了ChEMBL已知抗菌分子区域及全新区域，说明训练集具有良好的化学多样性。

4.2 三种性质预测模型架构

Chemprop（图神经网络）

采用有向消息传递神经网络（D-MPNN）架构：

1. 1. 从分子图中提取原子和键的特征向量
2. 2. 经3轮消息传递，聚合邻域信息
3. 3. 对所有原子特征求和，得到全局分子表示
4. 4. 经2层前馈网络输出抑制概率

Chemprop-RDKit（增强版图神经网络）

在Chemprop基础上，将消息传递输出向量与200个RDKit计算的分子描述符（含logP、分子量、QED等）拼接，再输入前馈网络。

Random Forest（随机森林）

以200个RDKit分子描述符为特征，训练100棵决策树，以各树预测均值作为最终输出概率。

4.3 模型训练与评估

• • 训练策略： 10折交叉验证，80%训练/10%验证/10%测试划分
• • Chemprop模型： Adam优化器，二元交叉熵损失，30个epoch训练，约1.5小时（16 CPU）
• • 集成方式： 生成时使用10个交叉验证模型的预测均值作为评分函数

模型性能：

注： PRC-AUC相对偏低，反映了严重的类别不平衡（阳性率仅3.5%）。这是抗生素筛选任务的固有特征，不影响模型作为生成过程评分函数的有效性。

五、生成模型：MCTS在化学空间中的应用

5.1 蒙特卡洛树搜索（MCTS）算法设计

SyntheMol的生成核心借鉴了AlphaGo的MCTS框架，将分子生成形式化为一个树搜索问题：

• • 根节点（Level 0）： 空节点
• • Level 1节点： 每个节点对应一个分子砌块
• • Level 2节点： 两个相容砌块的组合
• • Level 3节点（叶节点）： 完整的反应产物分子，由性质预测模型评分

每次rollout（展开）过程：

1. 1. 从根节点出发，依评分函数选择子节点（砌块）
2. 2. 检验砌块与现有分子的化学相容性
3. 3. 若相容且满足反应条件，生成产物并由预测模型打分
4. 4. 将分数反向传播至路径上所有节点，更新节点价值和访问计数

5.2 节点评分函数（Score Function）

每个节点N的评分函数为：

四个分量分别编码不同的搜索目标：

其中 为节点中任意砌块在已生成分子中的最大使用次数，多样性惩罚因子是本文对标准MCTS的重要扩展，有效避免了生成集合在少数高分砌块周围的坍缩。

5.3 生成效率的基准测试

cLogP优化验证实验（in silico基准）：

以预测cLogP > 6.5为目标（随机REAL分子中仅0.044%满足），分别用强模型（30 epoch）和弱模型（1 epoch，模拟抗菌预测模型性能）运行SyntheMol：

抗菌发现应用中的效率对比：

SyntheMol在相同时间内找到的高分分子数量是虚拟筛选的 7.7倍。

六、后处理过滤策略

为从24,335个生成分子中精选出最有价值的验证候选，论文设计了三步串联过滤流程：

步骤一：结构新颖性过滤（Tversky相似度）

针对两个参考集分别计算Tversky相似度（而非通常的Tanimoto相似度）：

• • 参考集1：训练集470个活性化合物
• • 参考集2：ChEMBL数据库1,005个已知抗菌分子

Tversky相似度（T₀,₁）的特性：

此不对称相似度度量参考分子Y的化学子结构出现在生成分子X中的比例。当T₀,₁(X, Y) > 0.5时，意味着生成分子"包含"了参考分子大部分的功能性子结构，即构成了对已知抗生素活性基团的重复——这类分子被过滤掉。

设计合理性： 使用Tversky而非Tanimoto，可识别并剔除那些"在已知骨架上附加大量无关原子"的分子，这些分子虽然Tanimoto相似度较低，却本质上重复了已知的抗菌功能基团。

阈值： Tversky相似度 > 0.5 的分子被移除。

步骤二：模型分数排序

保留剩余分子中预测分前20%的高分化合物，确保后续候选具有较高的预期活性。

步骤三：多样性聚类（k-means）

对剩余分子的Morgan指纹（半径=2，2048位）进行k-means聚类（k=50，距离度量：Tanimoto相似度），每簇选取最高分的一个分子，共50个候选。

最终选出50个分子的结构多样性：

• • 包含73种不同分子砌块
• • 使用13种反应中的8种
• • 33个分子（66%）与其余入选分子的Tanimoto相似度 < 0.5

七、化合物合成与实验验证

7.1 合成结果

三个预测模型各产出50个过滤后候选，共150个分子。其中：

• • 70个在REAL Space中有现成合成路线，委托Enamine合成
• • 58个（83%） 成功合成，纯度 > 90%，耗时约4周
• • 纯度验证：LC-MS为主，不溶或不稳定者采用¹H-NMR

按模型分类：

7.2 体外抗菌活性测定

由于A. baumannii革兰氏阴性外膜的高不渗透性，测试采用外膜通透化辅助策略（与标准MIC测定联用）：

• • SPR 741（多黏菌素B类似物，仅破坏外膜而不影响内膜，毒性较低，已完成临床试验）
• • 多黏菌素E（Colistin）（多黏菌素类临床用抗生素，最后防线之一，破坏外/内膜）

两种通透化剂均以1/4 MIC浓度使用，目标是检测候选分子进入胞内后的固有抗菌活性，而非依赖外膜破坏本身的抗菌效果。

初筛结果（A. baumannii ATCC 17978）：

58个分子中，6个（Enamine 10、23、28、31、40、43）在辅助通透化条件下MIC ≤ 8 µg/mL，定义为活性命中：

命中率对比：

7.3 广谱抗菌活性验证

6个活性化合物在多种病原体上的活性（辅助外膜通透化条件下）：

P. aeruginosa的外膜渗透性极低，许多临床抗生素（包括本研究对照中的利福平）对其也无效，这是细菌本身的固有特性而非药物缺陷。

7.4 协同效应（Chequerboard分析）

棋盘法（chequerboard assay）定量化了6种化合物与SPR 741/Colistin的协同关系：

以**分数抑制浓度指数（FICI）**评判协同性：

• • FICI ≤ 0.5：协同（synergy）
• • FICI > 0.5, < 4.0：无相关
• • FICI ≥ 4.0：拮抗

结果：6种化合物与SPR 741对A. baumannii ATCC 17978、E. coli，以及与Colistin对K. pneumoniae，均呈现协同效应（FICI < 0.5）。这为将来开发低剂量联合疗法奠定理论基础，有助于降低潜在毒副作用。

7.5 耐药频率（FOR）分析

使用A. baumannii ATCC 19606R固体培养基模型，定量各化合物的自发耐药突变频率（Frequency of Resistance, FOR）：

• • 测试浓度范围：0×至20× MIC
• • 监测周期：72小时

结果：

• • 20× MIC条件下，仅En-28出现耐药菌落，其余5种无菌落生长
• • 出现菌落浓度下的FOR范围：10⁻⁷（高浓度）至10⁻⁵（低浓度）
• • 对比参照： 利福平的FOR范围为10⁻⁸至10⁻⁵，主要突变位点集中在rpoB基因

以上结果说明6种化合物的耐药频率处于已知抗生素的正常范围内，符合候选药物的基本安全性要求。

7.6 多重耐药临床分离株测试

从疾控中心（CDC）ARIsolate Bank选取：

• • 4株S. aureus临床分离株（涵盖全部主要耐药机制）
• • 8株A. baumannii临床分离株（涵盖全部主要耐药机制）

结果：6种生成化合物能克服所有临床分离株携带的耐药决定子，与其结构新颖性吻合——现有耐药机制尚未针对这些全新骨架进化出耐受性。

八、毒性预测与体内安全性评估

8.1 计算毒性预测

基于ClinTox数据集（1,478个分子，含FDA批准状态和临床毒性标签）训练Chemprop-RDKit集成模型：

• • 模型性能：ROC-AUC = 0.881±0.045，PRC-AUC = 0.514±0.141（10折交叉验证）
• • 预测结论： 6个活性分子的预测毒性概率均落在ClinTox非毒性分子分布范围内，整体毒性风险评估较低

8.2 小鼠体内毒性实验

由于水溶性限制，仅En-10和En-23进行了小鼠体内测试（6–8周龄C57BL/6N雌鼠，n=3）：

• • 给药方式： 腹腔注射，剂量50 mg/kg（溶于5% DMSO + 20% PEG 300 + 75%灭菌水）
• • 观察时间点： 注射后3、6、24小时
• • 评估指标： 弓背、探索行为减少、全身立毛、间歇性腹部收缩

结果： En-10和En-23在50 mg/kg剂量下均未诱发上述任何毒性表型，与计算预测模型结论一致。

九、方法横向比较与创新点分析

9.1 SyntheMol与同类合成感知生成方法的比较

SyntheMol的三重优势：

1. 1. 速度与灵活性： MCTS相比自编码器和强化学习方法，训练成本低，可与任意性质预测模型即插即用
2. 2. 合成路线内置： 每个生成分子自带完整合成方案（砌块+反应），而非事后推断
3. 3. 端到端实验闭环： 是同类工作中极少数真正完成合成和生物活性验证的

9.2 关键技术创新点

1. 1. 将MCTS从游戏策略领域迁移至组合化学空间搜索，解决了探索-利用平衡问题
2. 2. **多样性惩罚因子D(N)**的引入，有效防止生成集合退化为少数高分砌块的重复拼接
3. 3. Tversky相似度过滤（而非对称Tanimoto）的使用，精准识别并剔除隐性重复已知抗生素功能基团的分子
4. 4. 三模型并行生成策略，通过不同归纳偏置扩大化学空间覆盖范围

十、结果解读与临床意义

10.1 命中率的深层含义

10.3%的实验命中率绝非偶然。其显著意义在于：

• • 相对基准的倍增： 接近训练集阳性率（3.5%）的3倍，远超随机采样对照（0%）
• • 结构新颖性优先下仍维持高命中率： 过滤阶段专门剔除了与已知抗生素结构相似的分子，在此约束下依然保持高命中率，说明模型真正学到了抗菌活性的底层结构-活性关系，而非简单记忆训练集
• • 方法论证明： 验证了"在合成可行化学空间中做AI导向搜索"这一技术路线的有效性

10.2 6个候选分子的临床开发潜力

综合体外和体内数据，6个候选分子呈现出良好的初步开发潜力：

• • 单药活性： 对MRSA和LPS缺陷型A. baumannii（无外膜屏障）表现出固有抗菌活性
• • 联合疗法潜力： 与SPR 741/Colistin的协同效应使得低剂量联合用药成为可能，有望在保持抗菌效力的同时降低毒性
• • 广谱性： 有效覆盖多种ESKAPE病原体，具备广谱抗生素候选物的基本特征
• • 克服耐药性： 对来自疾控中心的多重耐药临床分离株有效，且耐药频率在可接受范围内
• • 毒性初筛良好： En-10、En-23小鼠体内测试未见明显毒性

十一、局限性与未来方向

11.1 方法论局限

11.2 未来研究方向

1. 1. 多目标优化生成： 将水溶性、外膜渗透性、口服生物利用度等ADMET性质纳入评分函数，实现多属性平衡优化
2. 2. 多步反应扩展： 将nᵣₑₐcₜᵢₒₙ扩展至2–3，探索10²⁰以上规模的化学空间；开发高效多步MCTS算法以处理指数级增长的搜索空间
3. 3. 与基于结构的方法整合： 将分子对接或基于AI的蛋白质-配体结合预测（如AlphaFold2衍生方法）整合为额外评分维度，在尚不明确作用机制的靶向筛选中发挥更大作用
4. 4. 作用机制研究： 对6个候选分子开展机制研究（如转录组学、蛋白质组学分析），阐明其抗菌作用靶点，为后续优化提供方向
5. 5. In vivo药效学评估： 在感染动物模型（如小鼠A. baumannii肺炎模型）中验证体内抗菌药效，推进候选分子向临床前研究阶段发展
6. 6. 迁移至其他靶标： SyntheMol框架具有高度通用性，可直接迁移至其他耐药菌（如耐碳青霉烯肺炎克雷伯菌）或其他疾病领域（如抗肿瘤、抗病毒）的药物发现