Summary

 Due to the rapid emergence of antibiotic-resistant bacteria, there is a growing need to discover new antibiotics. To address this challenge, we trained a deep neural network capable of predicting molecules with antibacterial activity. We performed predictions on multiple chemical libraries and discovered a molecule from the Drug Repurposing Hub—halicin—that is structurally divergent from conventional antibiotics and displays bactericidal activity against a wide phylogenetic spectrum of pathogens including Mycobacterium tuberculosis and carbapenem-resistant Enterobacteriaceae. Halicin also effectively treated Clostridioides difficile and pan-resistant Acinetobacter baumannii infections in murine models. Additionally, from a discrete set of 23 empirically tested predictions from >107 million molecules curated from the ZINC15 database, our model identified eight antibacterial compounds that are structurally distant from known antibiotics. This work highlights the utility of deep learning approaches to expand our antibiotic arsenal through the discovery of structurally distinct antibacterial molecules.

Essential gene functions underpin the core reactions required for cell viability, but their contributions and relationships are poorly studied in vivo. Using CRISPR interference, we created knockdowns of every essential gene in Bacillus subtilis and probed their phenotypes. Our high-confidence essential gene network, established using chemical genomics, showed extensive interconnections among distantly related processes and identified modes of action for uncharacterized antibiotics. Importantly, mild knockdown of essential gene functions significantly reduced stationary-phase survival without affecting maximal growth rate, suggesting that essential protein levels are set to maximize outgrowth from stationary phase. Finally, high-throughput microscopy indicated that cell morphology is relatively insensitive to mild knockdown but profoundly affected by depletion of gene function, revealing intimate connections between cell growth and shape. Our results provide a framework for systematic investigation of essential gene functions in vivo broadly applicable to diverse microorganisms and amenable to comparative analysis.

Abstract The Comprehensive Antibiotic Resistance Database (CARD; card.mcmaster.ca) combines the Antibiotic Resistance Ontology (ARO) with curated AMR gene (ARG) sequences and resistance-conferring mutations to provide an informatics framework for annotation and interpretation of resistomes. As of version 3.2.4, CARD encompasses 6627 ontology terms, 5010 reference sequences, 1933 mutations, 3004 publications, and 5057 AMR detection models that can be used by the accompanying Resistance Gene Identifier (RGI) software to annotate genomic or metagenomic sequences. Focused curation enhancements since 2020 include expanded β-lactamase curation, incorporation of likelihood-based AMR mutations for Mycobacterium tuberculosis, addition of disinfectants and antiseptics plus their associated ARGs, and systematic curation of resistance-modifying agents. This expanded curation includes 180 new AMR gene families, 15 new drug classes, 1 new resistance mechanism, and two new ontological relationships: evolutionary_variant_of and is_small_molecule_inhibitor. In silico prediction of resistomes and prevalence statistics of ARGs has been expanded to 377 pathogens, 21,079 chromosomes, 2,662 genomic islands, 41,828 plasmids and 155,606 whole-genome shotgun assemblies, resulting in collation of 322,710 unique ARG allele sequences. New features include the CARD:Live collection of community submitted isolate resistome data and the introduction of standardized 15 character CARD Short Names for ARGs to support machine learning efforts.

Selective targeting of cancer stem cells (CSCs) offers promise for a new generation of therapeutics. However, assays for both human CSCs and normal stem cells that are amenable to robust biological screens are limited. Using a discovery platform that reveals differences between neoplastic and normal human pluripotent stem cells (hPSC), we identify small molecules from libraries of known compounds that induce differentiation to overcome neoplastic self-renewal. Surprisingly, thioridazine, an antipsychotic drug, selectively targets the neoplastic cells, and impairs human somatic CSCs capable of in vivo leukemic disease initiation while having no effect on normal blood SCs. The drug antagonizes dopamine receptors that are expressed on CSCs and on breast cancer cells as well. These results suggest that dopamine receptors may serve as a biomarker for diverse malignancies, demonstrate the utility of using neoplastic hPSCs for identifying CSC-targeting drugs, and provide support for the use of differentiation as a therapeutic strategy.PaperClip/cms/asset/bb2bbd9b-352a-417b-8ef7-0dbc5545940d/mmc4.mp3Loading ...(mp3, 3.29 MB) Download audio

Plasmid-borne colistin resistance mediated by mcr-1 may contribute to the dissemination of pan-resistant Gram-negative bacteria. Here, we show that mcr-1 confers resistance to colistin-induced lysis and bacterial cell death, but provides minimal protection from the ability of colistin to disrupt the Gram-negative outer membrane. Indeed, for colistin-resistant strains of Enterobacteriaceae expressing plasmid-borne mcr-1, clinically relevant concentrations of colistin potentiate the action of antibiotics that, by themselves, are not active against Gram-negative bacteria. The result is that several antibiotics, in combination with colistin, display growth-inhibition at levels below their corresponding clinical breakpoints. Furthermore, colistin and clarithromycin combination therapy displays efficacy against mcr-1-positive Klebsiella pneumoniae in murine thigh and bacteremia infection models at clinically relevant doses. Altogether, these data suggest that the use of colistin in combination with antibiotics that are typically active against Gram-positive bacteria poses a viable therapeutic alternative for highly drug-resistant Gram-negative pathogens expressing mcr-1.