Anna Badura, Łukasz Pałkowski, Alicja Nowaczyk, Marta Poćwiardowska-Głąb, Adam Buciński
Application of Artificial Neural Networks for Predicting Imidazole Derivatives’ Antimicrobial Activity against Enterococcus faecalis
2024-02-03
Sztuczne sieci neuronowe (ANNs) pojawiły się jako wartościowe narzędzie ułatwiające projektowanie syntezy i kierowanie kolejnymi eksperymentami biologicznymi w systematycznym poszukiwaniu nowych środków przeciwbakteryjnych. W niniejszej pracy zaprojektowano dwie sieci neuronowe typu perceptron wielowarstwowy (MLP), aby przewidzieć aktywność biologiczną związków na podstawie ich właściwości fizykochemicznych i struktury. To podejście zostało przetestowane na szczepie bakterii Enterococcus faecalis, wykorzystując serię 140 pochodnych imidazolu. Zastosowanie czwartorzędowych soli amoniowych w tych badaniach wynika z ich uznanej zdolności do działania jako środków antyseptycznych i dezynfekcyjnych. Ponadto uznano je za obiecujące w zwalczaniu różnych mikroorganizmów, w tym bakterii Gram-dodatnich. Zaprojektowany model regresji dokładnie przewidział minimalne stężenie hamujące wzrost E. faecalis. Współczynnik korelacji wartości rzeczywistych z przewidywaniami sieciowymi dla zbioru uczącego wyniósł R = 0,91, dla zbioru testowego R = 0,91, a dla zbioru walidacyjnego R = 0,97. Dodatkowo model klasyfikacyjny skutecznie kategoryzował badane związki jako aktywne lub nieaktywne wobec docelowego mikroorganizmu (dokładność klasyfikacji: 92,86%). Analiza wrażliwości wyróżniła konkretne deskryptory molekularne pochodzące z bloku Molecular Properties, takie jak log P, współczynnik załamania światła, masa cząsteczkowa i liczba atomów, jako kluczowe czynniki wpływające na konstrukcję modelu. Podsumowując, powyższe odkrycia podkreślają praktyczność modeli sztucznych sieci neuronowych w prognozowaniu skuteczności przeciwbakteryjnej czwartorzędowych soli amoniowych wobec E. faecalis. Zastosowanie ANN w analizie danych pozwala na skuteczną optymalizację i redukcję kosztów poprzez usprawnienie procesu syntezy związków w kierunku osiągnięcia pożądanych właściwości. Wykorzystując moc obliczeniową ANN, badacze mogą skutecznie zawęzić pulę potencjalnych związków, przyspieszając w ten sposób odkrywanie obiecujących substancji przeciwdrobnoustrojowych.
Słowa kluczowe: Enterococcus faecalis, uczenie maszynowe, sztuczne sieci neuronowe, pochodne imidazolu, przewidywanie aktywności przeciwdrobnoustrojowej, nadzorowane uczenie maszynowe.
© Farm Pol, 2023, 79(11): 665–676
Application of Artificial Neural Networks for Predicting Imidazole Derivatives’ Antimicrobial Activity against Enterococcus faecalis
Artificial neural networks (ANNs) have emerged as a valuable tool in facilitating the design of synthesis and guiding subsequent biological experiments in the systematic exploration for novel antimicrobial agents. In this paper, two multilayer perceptron-type neural networks (MLP) are designed to predict the biological activity of compounds based on their physicochemical properties and structure. This approach was tested against Enterococcus faecalis using a series of 140 imidazole derivatives. The use of quaternary ammonium salts in this research originated from their acknowledged ability to act as antiseptics and disinfectants. Additionally, they were considered promising in addressing various microorganisms, including Gram-positive bacteria. The designed regression model accurately predicted the minimum inhibitory concentration for E. faecalis growth. The coefficient of correlation between the actual values and the network predictions for the training set was R = 0.91, for the test set was R = 0.91, and for the validation set was R = 0.97.Additionally, the classification model successfully categorized the tested compounds as predictively active or inactive against the targeted microorganism (classification accuracy: 92.86%). Sensitivity analyses highlighted specific molecular descriptors derived from the Molecular Properties block, such as log P, refractive index, molecular weight, and atom count, as pivotal factors influencing model construction. In summary, the above-mentioned discoveries emphasize the practicality of Artificial Neural Network models in forecasting the antibacterial effectiveness of quaternary ammonium salts against E. faecalis. The application of ANNs in data analysis allows for efficient optimization and cost reduction by streamlining the compound synthesis process towards achieving the desired properties. By harnessing the computational power of ANNs, researchers can effectively narrow down the pool of potential compounds, thereby expediting the discovery of promising antimicrobial substances.
Keywords: Artificial neural network, Machine learning, Enterococcus faecalis, Supervised learning, Imidazoles, Predicted antimicrobial activity.
© Farm Pol, 2023, 79(11): 665–676