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.

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.

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.

Morphological profiling is a method to classify target pathways of antibacterials based on how bacteria respond to treatment through changes to cellular shape and spatial organization. Here, we utilized the cell-to-cell variation in morphological features of Mycobacterium tuberculosis bacilli to develop a rapid profiling platform called Morphological Evaluation and Understanding of Stress (MorphEUS). MorphEUS classified 94% of tested drugs correctly into broad categories according to modes of action previously identified in the literature. In the other 6%, MorphEUS pointed to key off-target or secondary bactericidal activities. We observed cell-wall damaging activity induced by bedaquiline and moxifloxacin through secondary effects downstream from their main target pathways. We implemented MorphEUS to correctly classify three compounds in a blinded study and identified an off-target effect for one compound that was not readily apparent in previous studies. We anticipate that the ability of MorphEUS to rapidly identify pathways of drug action and the proximal cause of bactericidal activity in tubercule bacilli will make it applicable to other pathogens and cell types where morphological responses are subtle and heterogeneous.

ABSTRACT Mycobacterium abscessus infections are difficult to treat and are often considered untreatable without tissue resection. Due to the intrinsic drug-resistant nature of the bacteria, combination therapy of three or more antibiotics is recommended. A major challenge in treating M. abscessus infections is the absence of a universal combination therapy with satisfying clinical success rates, leaving clinicians to treat infections using antibiotic lacking efficacy data. We systematically measured drug combinations in M. abscessus to establish a resource of drug interaction data and identify patterns of synergy to help design optimized combination therapies. We measured approximately 230 pairwise drug interactions among 22 antibiotics and identified 71 synergistic pairs, 54 antagonistic pairs, and four potentiator-antibiotics not previously reported. We found that commonly used drug combinations in the clinic, such as azithromycin and amikacin, are antagonistic in lab reference strain ATCC19977, whereas novel combinations, such as azithromycin and rifampicin, are synergistic. Another challenge in developing universally effective multidrug therapies for M. abscessus is the significant variation in drug response between isolates. We measured drug interactions in a focused set of 36 drug pairs across a small panel of clinical isolates with rough and smooth morphotypes. We observed highly strain-dependent drug interactions that cannot be predicted from single-drug susceptibility profiles or known drug mechanisms of action. Our study demonstrates the immense potential to identify synergistic drug combinations in the vast drug combination space and emphasizes the importance of strain-specific combination measurements for designing improved therapeutic interventions.