Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Deep learning analysis of imaging and metabolomic data to accelerate antibiotic discovery against antimicrobial resistance

Opis projektu

Inteligentna technologia pomaga w zwalczaniu superbakterii

Oporność na środki przeciwdrobnoustrojowe stanowi poważne zagrożenie dla zdrowia publicznego na świecie, zwłaszcza biorąc pod uwagę brak nowych antybiotyków. Konwencjonalne metody badania nowych leków są powolne i często pomijają kluczowe szczegóły dotyczące działania nowych antybiotyków. Zespół finansowanego ze środków ERBN projektu AI4AMR ma na celu sprostanie temu wyzwaniu poprzez połączenie mikrobiologii, genetyki, sztucznej inteligencji i zaawansowanych technik przesiewowych w celu stworzenia szybszego i bardziej wydajnego procesu odkrywania nowych antybiotyków. Wykorzystując algorytmy uczenia głębokiego w celu analizy ogromnych zbiorów danych dotyczących reakcji bakterii, zespół AI4AMR może wskazać cele leków i mechanizmy działania w rekordowo krótkim czasie. To innowacyjne podejście pozwoli na odkrycie nowych antybiotyków, w tym leków otrzymywanych ze złożonych produktów naturalnych, przyspieszając walkę z opornością na środki przeciwdrobnoustrojowe i zapewniając skuteczniejsze metody leczenia w przyszłości.

Cel

Antimicrobial resistance (AMR) is one of the most pressing global health problems of our times. To counteract AMR, we urgently need new antibiotics, particularly with novel modes of action (MoA). However, while typical antibiotic screening pipelines can identify compounds that impair bacterial growth, they are unable to predict drug targets and MoA so must be followed up by time-consuming target identification steps. By synergizing our expertise in microbiology, genetics, advanced microscopy, metabolomics, medicinal chemistry, computational biology and artificial intelligence (AI), we propose to create a new pipeline at the forefront of the antibiotic discovery field that will be capable of informing simultaneously on the bioactivity and MoA of new antibiotic candidates. Working with seven pathogens, our improved acquisition strategies for both imaging-based high-content screening and metabolomics will generate a massive dataset of rich multidimensional phenotypes of libraries of genetic mutants and of bacteria exposed to a range of perturbants, at unprecedented scale. Deep learning analyses will then enable us to explore these massive datasets to correlate chemical-induced phenotypes to those from mutants, linking drugs to genes to elucidate the target/MoA of new drugs. This innovative pipeline will enable us to explore unique chemical spaces, including complex natural product extracts (without the need for isolation of individual components) and novel synthetic compounds. Promising candidates with novel MoA will be tested against drug-resistant clinical isolates and against a future pandemic 'pathogen X', demonstrating our pipeline as an AI-powered solution for achieving higher productivity in antibiotic discovery. AI4AMR will provide the community with a new pipeline to efficiently screen large compound libraries to identify novel antibiotics and define their MoA and target, helping directly to combat AMR.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC-SYG - HORIZON ERC Synergy Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2024-SyG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

INSTITUT NATIONAL DE LA SANTE ET DE LA RECHERCHE MEDICALE
Wkład UE netto
€ 2 421 120,00
Koszt całkowity
€ 2 421 120,00

Beneficjenci (4)