Identifying Antibiotic Effects of Investigational Drugs on Commensal Bacteria with Machine Learning
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Many human-targeted medications have been found to impact patients’ gastrointestinal microbiomes, which has been proposed as an unrecognized source of drug side effects, comorbidities, and reduced treatment efficiencies. However, current methods for detecting such effects, such as patient sample analysis or in vitro high-throughput screening, are both labor- and resource-intensive. To accelerate the discovery of drug effects on the microbiome, we developed machine learning models that predict whether a small, drug-like molecule is likely to inhibit the growth of any of 40 representative human gut commensal microbes. We employed these models to virtually screen thousands of investigational drugs, revealing a strong propensity for human-targeted compounds to potentially modulate commensal microbes. Prospective in vitro validations uncovered two nonantibiotic drugs, the recently approved anti-cancer agent entrectinib and the clinical drug candidate PSI-697, to have previously unknown growth inhibition effects on multiple commensal gut microbes. Furthermore, we show that resistance to the effects of these drugs is mediated by known antibiotic resistance mechanisms BamB and TolC. Additionally, entrectinib significantly reduced microbial richness in a synthetic microbial model community. Taken together, our machine learning-assisted workflow and future extensions can triage microbiome-drug interactions to prioritize experimental testing and validation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».