Maschinelles Lernen zur Vorhersage antibakterieller Aktivität von Ruthenium‐Komplexen**

Abstract

AbstractDie steigende antimikrobielle Resistenz (AMR) und der Mangel an Innovation in der Antibiotikaforschung erfordern neue Ansätze zur Entwicklung von Medikamenten. Metallkomplexe haben sich als vielversprechende antimikrobielle Verbindungen erwiesen. Allerdings ist die Anzahl der untersuchten Verbindungen noch klein, besonders im Vergleich zu den Millionen organischer Moleküle die bereits getestet wurden. In den letzten Jahren hat sich maschinelles Lernen (ML) als wertvolle Ressource für die Entwicklung organischer Moleküle herauskristallisiert, selbst wenn nur wenige Daten vorliegen. Erstmals erweitern wir die Anwendung von ML auf die Entdeckung von metallbasierten antimikrobiellen Verbindungen. Mithilfe von 288 modular synthetisierten Ruthenium‐Aren‐Schiff‐Basen‐Komplexen und deren antibakteriellen Eigenschaften haben wir eine Reihe von ML–Modellen trainiert. Die Modelle zeigen gute Leistungen und werden verwendet, um die Aktivität von 54 neuen Verbindungen vorherzusagen. Diese Verbindungen weisen eine 5.7‐fach höhere Trefferquote (53.7 %) gegen Methicillin‐resistente Staphylococcus aureus (MRSA) im Vergleich zur ursprünglichen Bibliothek (9.4 %) auf. Dadurch zeigen wir, dass ML zu höheren Erfolgsraten bei der Suche nach neuen Metalloantibiotika führen kann. Folglich ebnet diese Arbeit den Weg für fortschrittlichere Anwendungen von ML im Bereich der metallbasierten Wirkstoffentwicklung.