Pseudomonas aeruginosa is a major bacterial pathogen for which there is rising antibiotic resistance. We evaluated the resistance mechanisms of P. aeruginosa against POL7080, a species-specific, first-in-class antibiotic in phase 3 clinical trials targeting the lipopolysaccharide transport protein LptD. We found resistance mutations in the two-component regulator pmrB. Genome-wide transcriptomics and confocal microscopy studies together suggest that POL7080 is vulnerable to the same resistance mechanisms described previously for polymyxins, including colistin, that involve lipid A modifications to mitigate antibiotic cell surface binding.

The surge of antimicrobial resistance threatens efficacy of current antibiotics, particularly against

Antibiotic resistance, especially in multidrug-resistant ESKAPE pathogens, remains a worldwide problem. Combination antimicrobial therapies may be an important strategy to overcome resistance and broaden the spectrum of existing antibiotics. However, this strategy is limited by the ability to efficiently screen large combinatorial chemical spaces. Here, we deployed a high-throughput combinatorial screening platform, DropArray, to evaluate the interactions of over 30,000 compounds with up to 22 antibiotics and 6 strains of Gram-negative ESKAPE pathogens, totaling to over 1.3 million unique strain-antibiotic-compound combinations. In this dataset, compounds more frequently exhibited synergy with known antibiotics than single-agent activity. We identified a compound, P2-56, and developed a more potent analog, P2-56-3, which potentiated rifampin (RIF) activity against

Identification of bacterial protein-protein interactions and predicting the structures of the complexes could aid in the understanding of pathogenicity mechanisms and developing treatments for infectious diseases. Here, we developed a deep learning-based pipeline that leverages residue-residue coevolution and protein structure prediction to systematically identify and structurally characterize protein-protein interactions at the proteome-wide scale. Using this pipeline, we searched through 78 million pairs of proteins across 19 human bacterial pathogens and identified 1923 confidently predicted complexes involving essential genes and 256 involving virulence factors. Many of these complexes were not previously known; we experimentally tested 12 such predictions, and half of them were validated. The predicted interactions span core metabolic and virulence pathways ranging from post-transcriptional modification to acid neutralization to outer membrane machinery and should contribute to our understanding of the biology of these important pathogens and the design of drugs to combat them.