High-throughput screening of small-molecules libraries identified antibacterials against clinically relevant multidrug-resistant A. baumannii and K. pneumoniae
Notice bibliographique
Résumé
BACKGROUND: The current pipeline for new antibiotics fails to fully address the significant threat posed by drug-resistant Gram-negative bacteria that have been identified by the World Health Organization (WHO) as a global health priority. New antibacterials acting through novel mechanisms of action are urgently needed. We aimed to identify new chemical entities (NCEs) with activity against Klebsiella pneumoniae and Acinetobacter baumannii that could be developed into a new treatment for drug-resistant infections. METHODS: We developed a high-throughput phenotypic screen and selection cascade for generation of hit compounds active against multidrug-resistant (MDR) strains of K. pneumoniae and A. baumannii. We screened compound libraries selected from the proprietary collections of three pharmaceutical companies that had exited antibacterial drug discovery but continued to accumulate new compounds to their collection. Compounds from two out of three libraries were selected using "eNTRy rules" criteria associated with increased likelihood of intracellular accumulation in Escherichia coli. FINDINGS: ≥100 μM). The activity of close analogues of the two chemical series was also determined against A. baumannii clinical isolates. INTERPRETATION: This work provides proof of principle for the screening strategy developed to identify NCEs with antibacterial activity against multidrug-resistant critical priority pathogens such as K. pneumoniae and A. baumannii. The screening and hit selection cascade established here provide an excellent foundation for further screening of new compound libraries to identify high quality starting points for new antibacterial lead generation projects. FUNDING: BMBF and GARDP.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».