34.ExplainableAntibiotics：原图、模型逻辑与研究范式

Perry2026-10-042026-10-05

论文题名： Discovery of a structural class of antibiotics with explainable deep learning

期刊与年份： Nature，2024。论文原文。

范围为正文全部编号主图及其子图，包含流程示意图。Extended Data 和 Supplementary Figures 不在本次范围。页码指阅读时所用 PDF 的文件页码。

研究问题： 能否把抗菌活性预测、细胞毒性预测和模型结构解释结合起来，找到新的抗生素结构类别？

新问题：筛到分子以后，能否找到一类可扩展的结构

单个抗菌命中不足以支撑稳定的药物发现路线。可否解释网络为什么判定某些结构有效，从大量候选中识别一个可继续合成优化的化学系列，是本文进一步提出的问题。还有另一个实践限制：抑菌分子也可能伤害人体细胞，因此活性筛选与毒性筛选必须一起进入候选选择。根据引言和实验链，我推测idea形成于此前黑箱预测难以提取结构规律的困难；这属于基于文本的研究逻辑重建，而非作者亲述心理过程。

监督预测和结构解释分别承担什么任务

这里特别需要把“新类别”与“新靶点”分开。一个化学系列可以在结构空间中不同于常用药物，却通过已经熟悉的膜功能扰动杀菌；这不削弱它的发现价值，只是创新发生在不同层面。解释算法给出的共同片段还有机会成为类似物优化的起点，例如改变片段之外的部分来测试活性是否保留、毒性是否降低。若所有类似物都有效，仍要排查是否只是同一物化性质驱动；若部分无效，结构差异又可帮助缩小机制假说。因而一个有可检验邻域的系列，往往比一个孤立的最高分命中更有长期研究价值。这是从本文得到的研究判断，并非所有建议实验都已经完成。

作者用39312种分子的实验训练金黄色葡萄球菌活性模型，并分别训练HepG2、HSkMC和IMR90三种人细胞毒性模型。分子图消息传递结合描述符，多个模型集成给出预测分数。活性阳性定义来自50微摩尔条件的细菌生长，毒性筛选则在10微摩尔条件观察细胞存活；二者的概率不能简单当作同一尺度的临床治疗指数。网络负责在超过1200万可购买分子中缩小实验范围，精确剂量窗口最终仍要实测。

解释部分通过蒙特卡洛树搜索逐步删减分子图，寻找保持模型活性预测的较小子结构。这样的rationale回答“网络主要依赖什么结构”，并不直接回答“药物结合哪个靶点”。同一片段是否足以产生生物活性，还取决于分子的其余部分、溶解性及细胞可达性。模型解释、类似物实验和作用机制必须分别验证，本文后续正沿这三层推进。

Figure 1｜抗菌与人细胞毒性模型的训练和验证

原图来源：所用 PDF 文件第 2 页，Figure 1。点击图片可查看原图。

图1展示四个监督任务及其筛选分布。活性阳性仅占1.3%，因此精确率—召回率曲线与实验命中率比单看ROC更贴近筛选预算。三个人细胞系提供不同毒性背景，但有限体外细胞不能替代所有组织或人体安全性。活性和毒性的浓度、标签阈值不同，比较图中概率时应避免将它们解释成直接的药理安全倍数。流程图让读者看到每个分数从哪种实验来，是后续联合选择具有可审查性的基础。

子图	讲解
a	以 39,312 个实测分子训练图网络，并预测 1,207 万个可购分子；按活性、毒性及结构类别选择并实验验证。
b	50 μM 下金黄色葡萄球菌的生长筛选；相对生长低于 0.2 定义为活性，提供抗菌训练数据。
c	抗菌模型的 precision–recall 曲线高于活性比例 1.3% 的基线，说明模型能富集少见活性分子。
d	HepG2 肝细胞在 10 μM 的存活率筛选；低于 0.9 作为细胞毒性标签。
e	HepG2 毒性模型的 PR 曲线用于评价对肝细胞毒性的识别。
f	HSkMC 骨骼肌细胞的同类存活率筛选，补充不同人细胞的安全性标签。
g	HSkMC 毒性模型的 PR 曲线，衡量对肌细胞毒性候选的过滤能力。
h	IMR-90 肺成纤维细胞的存活率筛选，第三种细胞用于检测毒性。
i	IMR-90 毒性模型的 PR 曲线；与 e、g 共同说明筛选同时考虑多种人细胞。

Figure 2｜筛选流程与化学空间

原图来源：所用 PDF 文件第 3 页，Figure 2。点击图片可查看原图。

图2说明预测后还需要显式过滤。高活性、低毒性分数之外，作者加入PAINS/Brenk等规则、与已知活性分子的结构相似性约束，并排除某些熟悉的抗菌骨架，目的是寻找可解释的新候选空间。阈值在不同候选库有所不同，不能忽略库的差异后直接比较命中率。t-SNE展示候选分布，能够说明被选择分子覆盖若干区域，却不能证明这些区域都是新的作用机制。此图的启发是把筛选决策公开，而不是把最终名单当成神经网络自然给出的唯一答案。

子图	讲解
a	逐步保留高抗菌分数、三种细胞低毒性、无不利反应基团且结构新颖的分子；结构相似性用 Tanimoto 阈值限定。
b	所有 1,207 万个分子的抗菌分数排序显示高分候选只占少数。
c	10,310 个高抗菌分数分子的 HepG2 毒性分数排序，用于进一步过滤。
d	同一批分子的 HSkMC 毒性排序，检查肌细胞风险。
e	同一批分子的 IMR-90 毒性排序，检查成纤维细胞风险。
f	t-SNE 比较高分、低分和训练集分子的化学位置；模型给分与结构空间相关，可据此观察候选的新颖性。

Figure 3｜用图结构解释找到新的抗生素骨架

原图来源：所用 PDF 文件第 4 页，Figure 3。点击图片可查看原图。

图3从分数走向结构类群。已知抗生素案例检验解释方法是否能恢复有意义的核心，随后1261个新候选中186个rationale被整理为若干类，再选择分子实验。高分253种与低分30种的前瞻比较帮助确认排序价值；同一rationale下的多个分子则检验可扩展系列，而不止单个幸运命中。这里的片段分数仍是模型内部量，不能把它等同于将片段单独合成后的抗菌性。实际MIC与人细胞IC50建立更有意义的效力窗口，超过测试上限的IC50应读成下界，不能当作精确数值。

子图	讲解
a	Monte Carlo 树搜索逐步缩减分子图，寻找仍保留高抗菌预测的最小子结构 rationale。
b	以头孢甲肟为例，解释子结构覆盖头孢菌素核心，说明算法可回收已知抗生素骨架。
c	候选与训练集活性分子的 Tanimoto 相似度排序，低于 0.5 者定义为结构新颖。
d	将有 rationale 的命中分子按共同骨架分组；16 个命中对应五个骨架 G1–G5，用于优先筛选结构类别。
e	展示实购的 253 个高分和 30 个低分分子的预测分数，构成前瞻性实验验证集合。
f	新骨架 G2 中化合物 1、2 的结构及共同 rationale；两者抑制金黄色葡萄球菌生长。
g	比较两个化合物的细菌 MIC 与人细胞 IC50；有效抑菌浓度与细胞毒性浓度的差距提示体外选择性窗口。

Figure 4｜杀菌、耐药形成和作用机制

原图来源：所用 PDF 文件第 6 页，Figure 4。点击图片可查看原图。

图4把新系列接到杀菌与膜功能上。连续传代、较高菌量的抗性选择及时间杀菌曲线分别测试不同耐药或生存问题，重复数和观测时间限定了“难以耐药”的范围。形态变化只能提示细胞受损方式，膜电位探针与缬氨霉素、尼日利亚霉素等对照则进一步区分电化学机制。pH依赖性与临床MRSA/VRE效力为解释增加一致性，但没有给出精确蛋白靶点。读者应把它理解为有对照支持的生物物理作用模式，而不是网络从子结构直接推导并证明了机制。

子图	讲解
a	以菌落数随时间变化比较化合物 1、2、万古霉素和未处理组；验证对金葡菌及枯草芽孢杆菌的杀菌行为。
b	连续传代 30 天的 MIC 倍数变化，用于评价耐药演化速度；新化合物较难产生显著耐药升高。
c	高菌量平板选择后再次划线，观察是否能稳定获得耐药抑制突变体，为耐药难易提供第二种测试。
d	处理后的枯草芽孢杆菌相差图像显示细胞形态变化，是作用机制的表型线索。
e	用膜电位染料 DiSC3(5) 比较新化合物、DMSO、缬氨霉素和尼日利亚菌素；荧光变化提示质子动力势的膜电位成分被扰动。
f	在不同培养基 pH 下比较浓度–生长曲线，检验药效与跨膜质子梯度的关系，与 e 一起支持质子动力势干扰。
g	对 CDC 的 MRSA 和 VRE 临床株测 MIC，说明该结构类别对多种耐药革兰阳性菌仍有活性。

Figure 5｜小鼠感染中的药效

原图来源：所用 PDF 文件第 7 页，Figure 5。点击图片可查看原图。

图5检验两个先导分子在感染中的作用：局部创面与全身给药的大腿感染对应不同应用环境。车辆组、已知抗菌药和给药时间共同决定对比的含义，尤其分开进行的创面实验不能随意拼成一次严格的药物优劣排序。菌落计数是主要终点，小鼠背景与单次处理仍限制人体外推。这些实验使结构系列有了体内活性依据，却不意味着药代、长期毒性、剂量优化及临床开发已全部完成；图中的统计差异应保持在具体感染模型和处理条件中解读。

子图	讲解
a	在中性粒细胞减少的小鼠 MRSA 伤口感染中进行局部给药，以组织 CFU 衡量；化合物 1 降低菌量。
b	在另一 MRSA 小鼠大腿感染模型中做单次腹腔给药，菌量下降提供不同感染部位/给药途径的体内验证。

依据：对应主图、完整图注及正文 Results；实验结果只按本文给出的对象和条件解释。

对可解释深度学习的理解

本文让我更明确地区分三种解释。模型rationale说明预测依赖的结构；相近分子的实验说明这类结构能否支持可扩展活性；膜功能实验说明药物造成什么生物变化。它们不相互替代。文章的强处在于从计算解释中提出可操作的结构系列，再用实验逐层约束，最终让解释服务于发现。

移到AD的TE或调控元件分析时，可以把局部序列片段、TE家族或染色质模块作为模型提名的rationale，但需要在独立样本和不同背景中确认。这类归因可能只是与真正作用元件相关，尤其相邻开放峰和细胞比例会产生替代信号。删除或遮蔽输入可以检验模型依赖，公共扰动数据才更接近检验分子功能；两种结果应分别写清。

如果自行设计研究，我会先固定解释算法、候选选择阈值和验证批次，再比较没有解释筛选的同等预算方案。这样才能回答解释是否提高可发现性，而不是事后给成功命中画一个合理片段。候选间的结构相似性还意味着它们不是完全独立验证样本，化学系列应成为报告和划分的重要单位。对组学数据，同一TE家族或同一donor造成的相关性也有类似问题。

这篇文章并没有证明“所有模型归因都是机制”，恰恰展示了解释成为机制线索后仍需额外实验。可发表的创新可以来自明确的新问题、可扩展的发现单位和扎实的验证链，模型架构复杂度只是其中一部分。