La resistencia de las bacterias, virus, hongos y parásitos a los medicamentos ha generado una preocupación creciente alrededor del mundo. En la actualidad, se estima la presencia de cerca de 30 millones de casos de sepsis al año a nivel global, de los cuales cerca de 5 millones terminan en muertes como resultado de infecciones que resisten los tratamientos médicos con los antibióticos tradicionales [1]. Este panorama ha llevado a la búsqueda de nuevos antibióticos que permitan combatir las bacterias resistentes.

Ejemplos específicos de resistencia son los que han desarrollado las bacterias Neisseria gonorrhoeae FC428 clone2 y Klebsiella pneumoniae. Esta última bacteria es una especie que desempeña un papel importante como agente causante de sepsis y enfermedades contagiosas como la neumonía, infecciones del torrente sanguíneo y del tracto urinario; especialmente, en pacientes con diabetes mellitus y neonatos, entre otros [2].

K. pneumoniae es tratada con antibióticos carbapenémicos, los cuales son el grupo más usado entre los antibióticos disponibles. No obstante, la resistencia desarrollada a este tipo de antibióticos ha llevado a que los tratamientos fracasen en casi la mitad de los pacientes [2]. A pesar de que es clara la necesidad de investigar y desarrollar nuevas moléculas antimicrobianas, existe un desinterés por parte de las compañías farmacéuticas para hacerlo [3]. Esto se debe, principalmente, al escaso retorno de la inversión que representa el desarrollo de nuevos antibióticos, en comparación con los medicamentos utilizados para el tratamiento de enfermedades crónicas como la diabetes y la hipertensión [2]. Como consecuencia, la Organización Mundial de la Salud (OMS) y la Asamblea General de las Naciones Unidas, han alentado a la comunidad científica para aumentar los esfuerzos en la búsqueda de nuevos antibióticos que permitan combatir esta y otras especies de bacterias resistentes a los antibióticos tradicionales [44].

Los péptidos antimicrobianos (o AMPs, de su acrónimo en inglés Antimicrobial Peptides) han tomado importancia en el desarrollo de nuevos antibióticos por su rol como agente inhibidor, no solo de bacterias sino también de virus, hongos y parásitos, entre otros [4,5]. Los AMPs son parte esencial de todos los organismos vivos y configuran la primera línea de defensa contra bacterias, microbios y parásitos. Este tipo de péptidos causan la muerte de los microbios, bien sea interfiriendo las funcionalidades de la membrana celular o interrumpiendo sus funciones intracelulares [6,7].

En términos generales, los AMPs se caracterizan por estar compuestos por menos de 50 aminoácidos y tener una carga catiónica positiva con rangos entre +1 y +9. Además, son capaces de adoptar estructuras anfipáticas, es decir, con una región hidrofílica que es soluble en agua y otra que es hidrofóbica, la cual rechaza el agua [8]. A pesar de presentar una gran variabilidad estructural, los AMPs se pueden agrupar en cuatro categorías: hélice, hojas beta, estructura extendida lineal y mezclas entre ellas [9,10].

Aparte de la búsqueda tradicional de nuevos medicamentos, que incluye un trabajo exhaustivo de análisis de la biodiversidad, la identificación manual de AMPs implica analizar secuencias de péptidos de diferentes tamaños que pueden ser extraídas de una proteína sintetizada por un organismo vivo. En este análisis se examinan las características fisicoquímicas de diferentes secuencias de aminoácidos a fin de seleccionar un grupo de péptidos candidatos. Estos se sintetizan para determinar las concentraciones inhibitorias mínimas (MIC) contra ciertas bacterias, como K. pneumoniae. La actividad antimicrobiana de los péptidos analizados permite, posteriormente, determinar su viabilidad para el desarrollo de nuevos antibióticos.

Desde el descubrimiento de la Maganina por Zasloff en 1987 [11], miles de péptidos antimicrobianos han sido reportados en la literatura, pero muchos de ellos no son adecuados para aplicaciones terapéuticas debido a su tamaño (más de 30 aminoácidos) y baja potencia antimicrobiana. Esto sin contar los altos costos de desarrollo que tienen para las farmacéuticas, los cuales inician desde 100 millones y pueden ir hasta los 1300 millones de dólares, además de los largos periodos de tiempo que toma su producción que se estima que puede ser de 11 años o más [12].

Dada la necesidad de buscar soluciones a la resistencia antimicrobiana, en este trabajo se propone el uso de redes neuronales recurrentes para la generación de péptidos sintéticos que puedan tener una alta probabilidad de ser antimicrobianos. Las redes neuronales recurrentes son un tipo de redes neuronales que pueden aprender adecuadamente los elementos que componen una secuencia. En el caso del lenguaje natural este tipo de redes se han usado para encontrar las relaciones entre letras y palabras que componen una oración, un párrafo y un texto en general. De manera similar, puesto que un péptido es una secuencia de aminoácidos (letras), las redes neuronales recurrentes se pueden usar para que aprendan su estructura de aminoácidos y posteriormente generar nuevos péptidos con base en la estructura de los péptidos de entrenamiento.

Este trabajo se ha organizado de la siguiente manera. En la Sección 2 se presentan los conceptos esenciales y se hace una revisión del estado del arte. En la Sección 3 se describe la metodología usada para la generación de péptidos con redes neuronales recurrentes. En la Sección 4 se presentan los experimentos y se discuten los resultados. Finalmente, se presentan las conclusiones en la Sección 5.

La metodología para la generación de péptidos sintéticos usando redes neuronales recurrentes abarca los siguientes pasos:

i. Recolección de AMPs: con el fin de aprender la estructura de un péptido antimicrobiano, es necesario recopilar un conjunto de péptidos de los cuales se tenga certeza que tienen capacidad antimicrobiana.

En los experimentos se generaron péptidos sintéticos de longitudes cortas (de 12 a 20 aminoácidos) dado que en la práctica este tipo de péptidos son, económicamente, más viables de sintetizar. El experimento de generación se repitió 5 veces. En cada repetición se generaron 100 péptidos de cada longitud, es decir, 500 péptidos sintéticos por cada una de las 9 longitudes posibles, para un total de 4500 péptidos sintéticos.

Las secuencias obtenidas se validaron usando el algoritmo de clasificación de actividad antimicrobiana propuesto por Veltri et al. [28] y, al igual que Müller et al. [19], en este trabajo se consideró que un péptido es antimicrobiano cuando su probabilidad de ser “activo” es mayor a 0.5 (P(AMP) >0.5).

Adicionalmente, para comparar la calidad de los péptidos generados por la red recurrente, se procedió a realizar un proceso de generación usando una aproximación basada en plantillas con estructura hélice. Esto se hizo usando la clase modlamp.sequences. Helices del paquete modLamp, el cual fue desarrollado por Müller et al. en 2017 [42]. Luego, de entre todos los péptidos generados, se seleccionaron y cuantificaron aquellos clasificados como antimicrobianos, es decir, aquellos con (P(AMP) >0.5). La Fig. 2, muestra la proporción de AMPs generados usando plantilla con estructura hélice (modelo hélice) y los modelos con arquitecturas LSTM-Decoder (A1, A2) y LSTM-LSTM (C2).

De acuerdo con la Fig. 2, al usar una plantilla tipo hélice, aproximadamente el 98.4 ±1.3% de los péptidos generados son AMPs, mientras que los modelos de aprendizaje profundo, en promedio, el 70.8 ±4.2% de los péptidos generados son clasificados como AMPs. Es decir, la generación manual basada en la plantilla hélice es superior a la generación usando los modelos de aprendizaje profundo. Dados estos resultados, se analizaron los péptidos generados con base en sus propiedades fisicoquímicas, las cuales se resumen en la Tabla 6.

Figura 2 Fuente: Los Autores

Tabla 6

Fuente: Los Autores

La Tabla 6 muestra que el momento hidrofóbico de los AMPs generados con el modelo A1 se encuentra cercano al valor óptimo teórico, el cual es de 0.5 [43]. Para el caso de los AMPs generados mediante una plantilla con estructura de forma hélice, se encuentra que su momento hidrofóbico tiene valores superiores, en promedio de 0.89 ±0.1. Esto indica que los AMPs generados mediante los modelos de aprendizaje profundo pueden formar una estructura de hélice−α anfipática, sin embargo, los AMPs generados mediante una plantilla pueden tener un efecto pronunciado en la actividad hemolítica, es decir que, además de atacar las bacterias, esos péptidos también pueden destruir los glóbulos rojos.

Respecto a la carga eléctrica, los AMPs generados con las redes neuronales recurrentes se encuentran entre los rangos admisibles, es decir entre +1 y +5 [46], lo que permite que los AMPs sean atraídos por la superficie aniónica de las membranas bacterianas. En contraste, los AMPs generados con la plantilla de estructura hélice tienen, en promedio, una carga mayor a +5. En cuanto al porcentaje de hidrofobicidad y el punto isoeléctrico, en su mayoría, los AMPs generados tienen los valores recomendados para estas dos propiedades.

Para estimar la capacidad de generación de AMPs, aumentando la exigencia de clasificación antimicrobiana, consideramos los péptidos con una alta probabilidad de ser antimicrobianos (P(AMP) >0.90 y P(AMP) >0.95). Adicionalmente, las secuencias generadas se filtraron, con base en las propiedades fisicoquímicas de la siguiente manera.

Solo se consideraron los péptidos con un momento hidrofóbico mayor 0.4 y menor a 0.8. El momento hidrofóbico es una medida cuantitativa de la anfipaticidad de un péptido y es un indicativo de que éste puede formar una estructura de hélice anfipática. Un valor aproximado de 0.5 para esta característica se relaciona con una mayor tendencia a asumir una estructura hélice. Sin embargo, un momento hidrofóbico muy alto puede tener un efecto pronunciado en la actividad hemolítica del péptido [43].

Se descartaron los péptidos con un punto isoeléctrico menor a 9. Como se mencionó antes, un valor alto en esta característica garantiza el carácter catiónico en condiciones de pH fisiológico. Se mantuvieron los péptidos con una carga mayor o igual a +1. La carga es una de las características fisicoquímicas más importantes de los péptidos antimicrobianos, los cuales, en su mayoría, tienen valores entre +1 y +5.

El porcentaje de aminoácidos hidrofóbicos es un parámetro clave para la actividad antimicrobiana de los péptidos. El aumento de la hidrofobicidad del péptido favorece su inserción en la membrana, pero un valor muy alto de esta propiedad aumenta la citotoxicidad en células de mamíferos y disminuye su solubilidad [7]. Con base en esto, se mantuvieron los péptidos con un porcentaje de hidrofobicidad entre el 30 y el 70%.

En la Tabla 7 muestra el promedio de la proporción de péptidos generados, antes y después de aplicar los filtros sobre las propiedades fisicoquímicas. Las proporciones se tabulan con base en diferentes valores para la probabilidad de ser AMPs. De acuerdo con estos resultados, el número de péptidos que tienen capacidad antimicrobiana disminuye considerablemente cuando se restringen los péptidos de acuerdo con sus propiedades fisicoquímicas. Esto se debe a que a pesar de que los péptidos generados son antimicrobianos, con base en el clasificador de Veltri et al. [28], estos no cumplen con las propiedades esenciales que mejoran su capacidad antimicrobiana. Adicionalmente, se puede observar que después de aplicar los filtros sobre las propiedades de los AMPs generados, el método de generación basado en una plantilla helicoidal es poco efectivo puesto que la proporción de AMPs generados con capacidad antimicrobiana es en promedio mucho más bajo que el método de generación basado en la red neuronal.

Tabla 7

Fuente: Los Autores

Finalmente, en la Fig. 3 se muestra la proporción de péptidos generados (con P (AMP) >0.95) tanto con la red recurrente como con el método de plantilla, después de aplicar los filtros, para cada posible longitud definida. De acuerdo con los resultados, el método de generación basado en plantillas tiene una proporción mayor para péptidos cortos, a medida que aumenta el tamaño del péptido su rendimiento decae. Lo contrario sucede con la generación que usa redes recurrentes, esto indica que las redes recurrentes tienen la capacidad de aprender la estructura de composición de un AMP y a partir de ella generar nuevos péptidos sintéticos con capacidad antimicrobiana.

Figura 3 Fuente: Los Autores

Si bien en los últimos años, el aprendizaje profundo para la construcción de AMPs ha empezado a ser ampliamente estudiado, en el contexto de generación de secuencias cortas ha sido poco tratado, uno de los mayores aportes desarrollados constituye el entendimiento del comportamiento de generación de secuencias cortas que tienen entre 12 y 20 aminoácidos.

En este trabajo se utilizaron las redes neuronales recurrentes con arquitecturas LSTM-Decoder y LSTM-LSTM para generar péptidos sintéticos antimicrobianos. Se encontró que, si bien los modelos logran aprender la estructura de composición de los péptidos para generar nuevos AMPs, el análisis de las propiedades fisicoquímicas descarta muchos de ellos.

Esto sugiere que en trabajos futuros se deben considerar las propiedades fisicoquímicas de los péptidos en el proceso de generación como tal, a fin de mejorar la capacidad antimicrobiana de los péptidos sintéticos sin dejar de lado la exploración de nuevas arquitecturas de aprendizaje profundo.

Al comparar los péptidos generados, en términos de sus propiedades fisicoquímicas, encontramos que los péptidos que generan las redes neuronales recurrentes tienen mayor capacidad de ser antimicrobianos, comparados con los péptidos obtenidos a partir de una plantilla tipo hélice. Es por esta razón que después filtrar los péptidos generados, la proporción de AMPs aceptables que genera la red recurrente es superior a la proporción de AMPs que se generan usando la plantilla con estructura helicoidal.