Abstract Antibiotic-resistant pathogens are a major public health threat. A deeper understanding of how an antibiotic’s mechanism of action influences the emergence of resistance would aid in the design of new drugs and help to preserve the effectiveness of existing ones. To this end, we developed a model that links bacterial population dynamics with antibiotic-target binding kinetics. Our approach allows us to derive mechanistic insights on drug activity from population-scale experimental data and to quantify the interplay between drug mechanism and resistance selection. We find that whether a drug acts as a bacteriostatic or bactericidal agent has little influence on resistance selection. We also show that heterogeneous drug-target binding within a population enables resistant bacteria to evolve fitness-improving secondary mutations even when drug doses remain above the resistant strain’s minimum inhibitory concentration. Our work suggests that antibiotic doses beyond this “secondary mutation selection window” could safeguard against the emergence of high-fitness resistant strains during treatment.

Abstract Motivation As antibiotic resistance creates a significant global health threat, we need not only to accelerate the development of novel antibiotics but also to develop better treatment strategies using existing drugs to improve their efficacy and prevent the selection of further resistance. We require new tools to rationally design dosing regimens to from data collected in early phases of antibiotic and dosing development. Mathematical models such as mechanistic pharmacodynamic drug-target binding explain mechanistic details of how the given drug concentration affects its targeted bacteria. However, there are no available tools in the literature that allows non-quantitative scientists to develop computational models to simulate antibiotic-target binding and its effects on bacteria. Results In this work, we have devised an extension of a mechanistic binding-kinetic model to incorporate clinical drug concentration data. Based on the extended model, we develop a novel and interactive web-based tool that allows non-quantitative scientists to create and visualize their own computational models of bacterial antibiotic target-binding based on their considered drugs and bacteria. We also demonstrate how Rifampicin affects bacterial populations of Tuberculosis (TB) bacteria using our vCOMBAT tool. Availability vCOMBAT online tool is publicly available at https://combat-bacteria.org/ .

Combatting antibiotic resistance will require both new antibiotics and strategies to preserve the effectiveness of existing drugs. Both approaches would benefit from predicting optimal dosing of antibiotics based on drug-target binding parameters that can be measured early in drug development and that can change when bacteria become resistant. This would avoid the currently frequently employed trial-and-error approaches and might reduce the number of antibiotic candidates that fail late in drug development.Here, we describe a computational model (COMBAT-COmputational Model of Bacterial Antibiotic Target-binding) that leverages accessible biochemical parameters to quantitatively predict antibiotic dose-response relationships. We validate our model with MICs of a range of quinolone antibiotics in clinical isolates demonstrating that antibiotic efficacy can be predicted from drug-target binding (R2 > 0.9). To further challenge our approach, we do not only predict antibiotic efficacy from biochemical parameters, but also do the reverse: estimate the magnitude of changes in drug-target binding based on antibiotic dose-response curves. We experimentally demonstrate that changes in drug-target binding can be predicted from antibiotic dose-response curves with 92-94 % accuracy by exposing bacteria overexpressing target molecules to ciprofloxacin. To test the generality of COMBAT, we apply it to a different antibiotic class, the beta-lactam ampicillin, and can again predict binding parameters from dose-response curves with 90 % accuracy. We then apply COMBAT to predict antibiotic concentrations that can select for resistance due to novel resistance mutations.Our goal here is dual: First, we address a fundamental biological question and demonstrate that drug-target binding determines bacterial response to antibiotics, although antibiotic action involves many additional effects downstream of drug-target binding. Second, we create a tool that can help accelerate drug development by predicting optimal dosing and preserve the efficacy of existing antibiotics by predicting optimal treatment for possible resistant mutants.

Abstract Antimicrobial resistance is one of the most significant healthcare challenges of our times. Multidrug or combination therapies are sometimes required to treat severe infections; for example, the current protocols to treat pulmonary tuberculosis combine four antibiotics. However, combination therapy is usually based on lengthy empirical trials and it is difficult to predict its efficacy. We propose a new tool to identify antibiotic synergy or antagonism and optimize combination therapies. Our model explicitly incorporates the mechanisms of individual drug action and estimates their combined effect using a mechanistic approach. By quantifying the impact on growth and death of a bacterial population, we can identify optimal combinations of multiple drugs. Our approach also allows for the investigation of the drugs’ actions and the testing of theoretical hypotheses. We demonstrate the utility of this tool with in vitro Escherichia coli data using a combination of ampicillin and ciprofloxacin. In contrast to previous interpretations, our model finds a slight synergy between the antibiotics. Our mechanistic model allows investigating possible causes of the synergy.