BA
Bree Aldridge
Author with expertise in Tuberculosis
Achievements
Open Access Advocate
Cited Author
Key Stats
Upvotes received:
0
Publications:
14
(86% Open Access)
Cited by:
807
h-index:
28
/
i10-index:
38
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
24

Systematic measurement of combination drug landscapes to predict in vivo treatment outcomes for tuberculosis

Jonah Larkins‐Ford et al.Feb 4, 2021
Abstract A lengthy multidrug chemotherapy is required to achieve a durable cure in tuberculosis. Variation in Mycobacterium tuberculosis drug response is created by the differing microenvironments in lesions, which generate different bacterial drug susceptibilities. To better realize the potential of combination therapy to shorten treatment duration, multidrug therapy design should deliberately explore the vast combination space. We face a significant scaling challenge in making systematic drug combination measurements because it is not practical to use animal models for comprehensive drug combination studies, nor are there well-validated high-throughput in vitro models that predict animal outcomes. We hypothesized that we could both prioritize combination therapies and quantify the predictive power of various in vitro models for drug development using a dataset of drug combination dose responses measured in multiple in vitro models. We systematically measured M. tuberculosis response to all 2- and 3-drug combinations among ten antibiotics in eight conditions that reproduce lesion microenvironments. Applying machine learning to this comprehensive dataset, we developed classifiers predictive of multidrug treatment outcome in a mouse model of disease relapse. We trained classifiers on multiple mouse models and identified ensembles of in vitro models that best describe in vivo treatment outcomes. Furthermore, we found that combination synergies are less important for predicting outcome than metrics of potency. Here, we map a path forward to rationally prioritize combinations for animal and clinical studies using systematic drug combination measurements with validated in vitro models. Our pipeline is generalizable to other difficult-to-treat diseases requiring combination therapies. One Sentence Summary Signatures of in vitro potency and drug interaction measurements predict combination therapy outcomes in mouse models of tuberculosis.
1

Design principles to assemble drug combinations for effective tuberculosis therapy using interpretable pairwise drug response measurements

Jonah Larkins‐Ford et al.Dec 6, 2021
Abstract A challenge in designing treatment regimens for tuberculosis is the necessity to use three or more antibiotics in combination. The combination space is too large to be comprehensively assayed; therefore, only a small number of possible combinations are tested. We narrowed the prohibitively large search space of combination drug responses by breaking down high-order combinations into units of drug pairs. Using pairwise drug potency and drug interaction metrics from in vitro experiments across multiple growth environments, we trained machine learning models to predict outcomes associated with higher-order combinations in the BALB/c relapsing mouse model, an important preclinical model for drug development. We systematically predicted treatment outcomes of >500 combinations among twelve antibiotics. Our classifiers performed well on test data and predicted many novel combinations to be improved over bedaquiline + pretomanid + linezolid, an effective regimen for multidrug-resistant tuberculosis that also shortens treatment in BALB/c mice compared to the standard of care. To understand the design features of effective drug combinations, we reformulated classifiers as simple rulesets to reveal guiding principles of constructing combination therapies for both preclinical and clinical outcomes. One example ruleset is to include a drug pair that is synergistic in dormancy and another pair that is potent in a cholesterol-rich growth environment. These rulesets are predictive, intuitive, and practical, thus enabling rational construction of effective drug combinations based on in vitro pairwise drug synergies and potencies. As more preclinical and clinical drug combination data become available, we expect to improve predictions and combination design rules.
19

A competitive activity-based protein profiling platform yields cell wall synthesis inhibitors active against replicating and non-replicating Mycobacterium tuberculosis

Li M et al.Apr 16, 2021
ABSTRACT The identification and validation of a small molecule’s targets is a major bottleneck in the discovery process for tuberculosis antibiotics. Activity-based protein profiling (ABPP) is an efficient tool for determining a small molecule’s targets within complex proteomes. However, how target inhibition relates to biological activity is often left unexplored. Here we studied the effects of 1,2,3-triazole ureas on Mycobacterium tuberculosis ( Mtb ). After screening ~200 compounds, we focused on two inhibitors active against both exponentially replicating and hypoxia-induced drug-tolerant Mtb that form part of a four-compound structure-activity series. The compound with negligible activity revealed potential false positive targets not addressed in other ABPP studies. Biochemistry, computational docking, and morphological analysis confirmed that active compounds preferentially inhibit serine hydrolases with cell wall and lipid metabolism functions and that disruption of the cell wall underlies biological activity. Our findings showed that ABPP identifies the targets most likely relevant to a compound’s antibacterial activity.
19
Citation2
0
Save
1

Critical role of growth medium for detecting drug interactions in Gram-negative bacteria that model in vivo responses

Kathleen Davis et al.Sep 20, 2022
Abstract The rise in infections caused by multidrug-resistant (MDR) bacteria has necessitated a variety of clinical approaches, including the use of antibiotic combinations. Antibiotic susceptibility is affected in part by the growth state of bacteria within various tissues. Here we tested the hypothesis that drug-drug interactions vary in different media, and hence, using a medium that reflects tissue environments will better predict in vivo outcomes. We systematically studied pair-wise antibiotic interactions in three different media (CAMHB, a urine mimetic, and a lung mimetic) using three Gram-negative ESKAPE pathogens, Acinetobacter baumannii (Ab), Klebsiella pneumoniae (Kp), and Pseudomonas aeruginosa (Pa). There were pronounced differences in responses to antibiotic combinations between the three bacterial species grown in the same medium. However, within species, Pa responded to drug combinations similarly when grown in all three different media, whereas Ab responded similarly when grown in CAMHB and a lung mimetic medium. By contrast, drug interactions in Kp were poorly correlated across three different media. To assess whether distinct media were predictive of antibiotic interactions in Kp in the lungs of mice, we developed a treatment strategy and tested three antibiotic combination pairs. Measurements obtained in vitro from lung mimetic medium, but not rich medium, predicted in vivo outcomes. This work demonstrates that antibiotic interactions are highly variable when comparing across three gram-negative pathogens and highlights the importance of growth medium by showing a superior correlation between in vitro interactions in a growth medium that resembles the tissue environment and in vivo outcomes.
1
Citation1
0
Save
0

Transcriptomic signatures predict regulators of drug synergy and clinical regimen efficacy against Tuberculosis

Shuyi Ma et al.Oct 10, 2019
The rapid spread of multi-drug resistant strains has created a pressing need for new drug regimens to treat tuberculosis (TB), which kills 1.8 million people each year. Identifying new regimens has been challenging due to the slow growth of the pathogen M. tuberculosis (MTB), coupled with large number of possible drug combinations. Here we present a computational model (INDIGO-MTB) that identified synergistic regimens featuring existing and emerging anti-TB drugs after screening in silico over 1 million potential drug combinations using MTB drug transcriptomic profiles. INDIGO-MTB further predicted the gene Rv1353c as a key transcriptional regulator of multiple drug interactions, and we confirmed experimentally that Rv1353c up-regulation reduces the antagonism of the bedaquiline-streptomycin combination. Retrospective analysis of 57 clinical trials of TB regimens using INDIGO-MTB revealed that synergistic combinations were significantly more efficacious than antagonistic combinations (p-value = 1 x 10-4) based on the percentage of patients with negative sputum cultures after 8 weeks of treatment. Our study establishes a framework for rapid assessment of TB drug combinations and is also applicable to other bacterial pathogens.
Load More