Інформація

7.4.4: Вплив комбінацій лікарських засобів - біологія


Антимікробні препарати можуть взаємодіяти з іншими ліками шкідливими способами або їх можна використовувати в поєднанні для боротьби з мікробними інфекціями.

Мети навчання

  • Наведіть приклади взаємодій, які можуть зробити антимікробну дію неефективною

Ключові моменти

  • Взаємодія між одним протимікробним агентом та іншим дуже складна, разом із тим, як вони націлені на мікроби та організм.
  • Хоча не впевнено, що лікарський засіб може взаємодіяти з антибіотиками, вважається розумним помилитися на той бік, що при змішуванні лікарських засобів існують потенційно невідомі та шкідливі взаємодії.
  • Використання більш ніж одного антимікробного засобу є ефективною і широко застосовуваною практикою для зменшення ймовірності того, що мікроби протистоять лікуванню.

Ключові терміни

  • протипоказання: У медицині протипоказання - це стан або фактор, що служить підставою для припинення певного медикаментозного лікування.
  • туберкульоз: Інфекційна хвороба людей і тварин, спричинена видом мікобактерії, переважно інфікуючи легені, де вона викликає горбки, що характеризується відхаркуванням слизу та мокротиння, лихоманкою, втратою ваги та болем у грудях та передається через вдихання або потрапляння бактерій.
  • комбінована терапія: Комбінована терапія - це використання декількох ліків або іншої терапії. Найчастіше ці терміни стосуються одночасного введення двох або більше ліків для лікування одного захворювання.

Фармакодинаміка - це область, яка намагається зрозуміти непередбачені наслідки застосування двох або більше препаратів. Фармакодинаміка - це вивчення біохімічного та фізіологічного впливу ліків на організм або на мікроорганізми чи паразитів всередині чи на організм. Він також розглядає механізми дії ліків та взаємозв’язок між концентрацією та ефектом препарату. Ці зміни надзвичайно важко класифікувати, враховуючи велику різноманітність існуючих способів дії та той факт, що багато ліків можуть викликати свою дію за допомогою ряду різних механізмів. Ця велика різноманітність також означає, що у всіх, крім найбільш очевидних випадків, важливо досліджувати та розуміти ці механізми. Існує обґрунтована підозра, що невідомих взаємодій більше, ніж відомих.

Дві добре описані взаємодії між протимікробними препаратами та іншими ліками - це між антибіотиками та алкоголем та антибіотиками та протизаплідними таблетками. Можуть виникати взаємодії між алкоголем та деякими антибактеріальними засобами, викликати побічні ефекти та знижувати ефективність антибактеріальної терапії. Потенційні ризики побічних ефектів та ефективності залежать від типу введеного антибактеріального засобу. Незважаючи на відсутність категоричних протипоказань, поширена думка, що алкоголь та антибактеріальні засоби ніколи не слід змішувати. Деякі антибактеріальні засоби можуть пригнічувати розпад алкоголю, що може спричинити блювоту, нудоту та задишку, спричинену алкоголем. Інший вплив алкоголю на антибактеріальну активність включає зміну активності ферментів печінки, які розщеплюють антибактеріальну сполуку. Крім того, бактеріостатичні антибактеріальні засоби в сироватці крові можуть бути знижені внаслідок вживання алкоголю, що призводить до зниження ефективності та зменшення фармакотерапевтичного ефекту.

Ще одна добре вивчена взаємодія між антибіотиками та протизаплідними таблетками. Більшість досліджень показують, що антибіотики не впливають на протизаплідні таблетки. У тих випадках, коли було запропоновано, що антибактеріальні засоби впливають на ефективність протизаплідних таблеток, це може бути викликано збільшенням активності печінкових ферментів печінки, що спричиняє посилення розщеплення активних інгредієнтів таблетки. Було також запропоновано вплив на кишкову флору, що може призвести до зменшення всмоктування естрогенів у товстій кишці, але такі пропозиції були непереконливими та суперечливими. Лікарі рекомендували застосовувати додаткові засоби контрацепції під час терапії з використанням антибактеріальних засобів, які, як підозрюється, взаємодіють з оральними контрацептивами.

Крім того, при боротьбі з мікробною інфекцією іноді застосування двох або більше антибіотиків може ефективно боротися з інфекцією, тоді як кожен препарат окремо має невеликий або зовсім не має ефекту. Цей метод називається комбінованою терапією і використовується, коли природа мікробної інфекції невідома, що характеризується поєднанням антибіотиків ампіциліну та сульбактаму. Застосування двох антибіотиків з різними способами інгібування мікробів збільшує ймовірність того, що лікування буде боротися з мікробною інфекцією. Крім того, туберкульоз лікується комбінованою терапією більше п’ятдесяти років. Це пояснюється явищем резистентності, завдяки якому мікроорганізм набуває здатності чинити опір протимікробному препарату, тоді як спочатку препарат ефективно уповільнює ріст або навіть знищує цільовий мікроорганізм. Лікування туберкульозу або інших патогенних мікробів кількома антибіотиками зменшує ймовірність того, що мікроб адаптується і переживе лікування, особливо якщо два препарати мають різні методи зниження нормальних функцій мікробів.


ШІ передбачає ефективні комбінації ліків для швидшої боротьби зі складними захворюваннями

Пошук нових способів повторного використання або поєднання існуючих ліків виявився потужним засобом для лікування складних захворювань. Наприклад, препарати, що використовуються для лікування одного типу раку, ефективно посилили лікування інших ракових клітин. Складні злоякісні пухлини часто вимагають комбінації ліків або «коктейлів з наркотиків», щоб сформувати узгоджену атаку на декілька типів клітин. Наркотичні коктейлі можуть не тільки запобігти стійкості до ліків, але й мінімізувати шкідливі побічні ефекти.

Але знайти ефективну комбінацію існуючих ліків у потрібній дозі надзвичайно складно, частково тому, що існують майже нескінченні можливості.

Сьогодні Facebook AI та Helmholtz Zentrum München представляють новий метод, який допоможе прискорити відкриття нових ефективних комбінацій ліків. Ми створили першу єдину модель штучного інтелекту, яка передбачає вплив комбінацій ліків, дозування, терміни і навіть інші види втручань, таких як вилучення або видалення генів. Ми відкриваємо цю модель під назвою Автокодер композиційного збурення (CPA), включаючи простий у використанні API та пакет Python. Ми детально розглянули цю роботу у документі, який зараз доступний дослідницькій спільноті як препринт на bioRxiv. Робота також буде подана до рецензованого журналу.

Обчислювальні методи дослідження нових комбінацій поки що обмежувалися взаємодіями з лікарськими засобами, включеними до набору навчальних даних, і розбивалися при обробці високомірних змін на молекулярному рівні, таких як різні дози та терміни. CPA використовує нову техніку самоконтролю для спостереження за клітинами, обробленими кінцевою кількістю комбінацій препаратів, і прогнозує ефект невидимих ​​комбінацій. Для спрощеного прикладу припустимо, що дані містять інформацію про те, як ліки впливають на різні типи клітин А, В, С та А+В. Тепер модель може вивчити індивідуальний вплив кожного препарату в залежності від типу клітин (тобто на різні типи клітин), а потім повторно їх об'єднати, щоб екстраполювати комбінації A+C, B+C або навіть, як A+ B взаємодіє з C+D.

Фармацевтичні дослідники можуть використовувати CPA для генерування гіпотез, керівництва їх експериментальним процесом проектування та допомогти звузити мільярди варіантів для проведення експериментів у лабораторії. Наприклад, раніше, як правило, були потрібні роки та багато експериментів на клітинних лініях, щоб перевірити різні комбінації 100 препаратів і доз-тепер дослідники можуть перевірити всі можливі комбінації in silico (у моделюванні) протягом кількох годин і вибрати найкращі результати як гіпотези для підтвердження та подальших дій. У більш широкому сенсі ця робота просуває штучний інтелект, який може створювати композиційні міркування, що має наслідки, що виходять за межі біомеду, і може призвести до штучного інтелекту, який може краще розуміти, наприклад, мову. Композиційне міркування надає мові значення і подає уявлення про нюанси світу.

Вивчення мільярдів взаємодій з наркотиками за допомогою самонагляду

У біології в останні роки стрімко розвивається послідовність одноклітинних РНК, що дає величезну кількість даних з більшою деталізацією, ніж будь -коли раніше. Сьогодні вчені та вчені використовують секвенування одноклітинних РНК як спосіб вимірювання експресії генів РНК окремих клітин на молекулярному рівні та вивчення впливу різних збурень, таких як комбінації ліків або делеція генів, на біологічні системи. Академічні дослідники та вчені створили та випустили загальнодоступні набори даних про секвенування одноклітинних РНК-які складаються з тисяч-мільйонів клітин із 20 000 показань на клітину-для полегшення біомедичних досліджень.

Такі високорозмірні дані є потужним випробувальним майданчиком для машинного навчання (ML), щоб розсунути межі комбінаторних передбачень. Поки що не існує ефективного підходу для прогнозування наслідків небачених комбінацій ліків та інших збурень. Створення прогнозів за даними такого типу даних є складним завданням, оскільки моделі ШІ повинні навчитися узагальнювати або навіть екстраполювати цікаві аспекти структури даних - не спираючись на позначені навчальні дані - для прогнозування нових умов.

Щоб вирішити це, ми використовували методику самоконтролю, яка називається автоматичним кодуванням, в якій ми «стискаємо» та «розпаковуємо» дані, змушуючи машину по суті узагальнювати дані у корисні шаблони для прогнозування. У нашому випадку автокодер дізнається з немічених векторів експресії генів з різних умов.

Наша модель працює, спочатку відокремлюючи та вивчаючи ключові атрибути клітини, такі як ефекти певного препарату, комбінації, дозування, час, видалення генів або тип клітини. Потім він самостійно рекомбінує атрибути, щоб передбачити їх вплив на експресію гена клітини. Як аналогія, один із способів думати про те, як працює CPA, полягає у тому, щоб уявити різні властивості клітини, такі як вплив ліків, комбінації, дозування та час, як предмети одягу, які складають «наряд», на якому клітина одягнена, як капелюхи , шарфи, окуляри та шапочки. Під час навчання CPA бачить переодягнену камеру, знімає речі з її одягу та переодягає камеру, щоб дізнатися про весь одяг та нижню камеру. Під час тестування CPA може передбачити найкращі наряди (або оптимальні ефекти поєднань) - наприклад, як буде виглядати капелюх з певним шарфом, наприклад.

Спочатку мережа кодера перетворює експресію гена, пов'язану з однією клітиною в наборі даних, у "представлення клітини". Мережа вбудовування перетворює лікування, застосоване до цієї клітини, у "представлення лікування". У парі, мережа дискримінаторів гарантує, що представлення клітин і лікування не містять інформації один про одного.

По -друге, ми створюємо “вузьке уявлення”, поєднуючи представлення клітин та лікування.

По -третє, декодерна мережа перетворює вузьке місце назад у вектор експресії генів. Вся модель навчається таким чином, що вихідні дані декодера збігаються з експресією гена, спочатку доступною у наборі даних.

На кроці 1 попереднього навчального процесу ми оцінюємо, як скасувати ефект лікування клітиною, а на кроках 2 і 3 ми оцінюємо, як повторно застосувати цю саму обробку до тієї самої клітини). Незважаючи на те, що скасовані та застосовані методи лікування однакові під час навчання, ми втручаємось у цей процес і використовуємо нашу модель CPA, щоб відповісти на суперечливі питання, такі як «Якою була б експресія генів цієї клітини, якби її лікували лікуванням В замість лікування А? »

Щоб відповісти на ці питання, ми скасовуємо лікування A на кроці 1 і застосовуємо лікування B на кроках 2 та 3.

CPA не залежить або обмежується лише послідовністю одноклітинної РНК. Наприклад, його можна легко застосувати до більш традиційних масових даних RNAseq та легко поширити на мультимодальні зчитування геноміки.

Досягнення надійних прогнозів щодо нових комбінацій лікарських засобів

Для перевірки CPA ми застосували його до п’яти загальнодоступних наборів даних послідовностей РНК, які містять виміри та результати різних ліків, доз та інших збурень на ракових клітинах. Кожен набір даних ми поділяємо на навчання, тестування та розповсюдження (ООД). Ми виміряли продуктивність нашої моделі з точки зору метрики R2, яка показує, наскільки добре ми передбачаємо експресію окремих генів.

У всіх наборах даних показники R2 залишалися незмінними між навчанням та тестуванням, а показники R2 для ООД також були високими. Це означає, що прогнози CPA щодо впливу ключових комбінацій лікарських засобів та доз на ракові клітини надійно відповідали тим, які були знайдені у наборі даних тестування. Для подальшого випробування меж моделі ми зменшили обсяг навчальних даних та збільшили обсяг даних ООД. Хоча результативність істотно знизилася, прогнози все ще були значно вище випадкових. Модель не призначена для використання в таких екстремальних сценаріях, хоча цікаво зрозуміти її можливості навчання.


Звіт про дослідження марихуани Як марихуана впливає на себе?

Хімічна структура THC подібна до хімічної речовини мозку анандамід. Подібність у структурі дозволяє організму розпізнавати ТГК і змінювати нормальну мозкову комунікацію.

Ендогенні канабіноїди такі як анандамід (див. малюнок) функціонують як нейромедіатори тому що вони посилають хімічні повідомлення між нервовими клітинами (нейронів) по всій нервовій системі. Вони впливають на ділянки мозку, які впливають на задоволення, пам’ять, мислення, концентрацію, рух, координацію, чуттєве та сприйняття часу. Через цю подібність ТГК здатний приєднуватися до молекул т.зв рецептори канабіноїдів на нейрони в цих областях мозку і активувати їх, порушуючи різні психічні та фізичні функції та викликаючи ефекти, описані раніше. Мережа нейронних комунікацій, яка використовує ці канабіноїдні нейромедіатори, відома як ендоканабіноїдна система, відіграє вирішальну роль у нормальній роботі нервової системи, тому втручання в неї може мати глибокі наслідки.

Наприклад, ТГК здатний змінювати функціонування гіпокампу (див. «Марихуана, пам’ять та гіпокамп») та орбітофронтальної кори, областей мозку, які дозволяють людині сформувати нові спогади та змінити увагу. В результаті вживання марихуани спричиняє погіршення мислення та перешкоджає здатності людини навчатися та виконувати складні завдання. ТГК також порушує функціонування мозочка та базальних гангліїв, областей мозку, які регулюють рівновагу, поставу, координацію та час реакції. Це причина, чому люди, які вживали марихуану, можуть бути не в змозі безпечно керувати автомобілем (див. "Чи впливає вживання марихуани на водіння?"), А також можуть мати проблеми із заняттями спортом або іншою фізичною діяльністю.

ТГК, діючи через рецептори каннабіноїдів, також активує систему винагороди мозку, яка включає регіони, які регулюють реакцію на здорову приємну поведінку, таку як секс та харчування. Як і більшість інших препаратів, які люди зловживають, ТГК стимулює нейрони в системі винагороди для вивільнення сигнального хімікату дофаміну на рівнях вище, ніж зазвичай спостерігається у відповідь на природні стимули. Сплеск дофаміну "вчить" мозок повторювати корисну поведінку, допомагаючи пояснити властивості марихуани, що викликають звикання.


Хоча більшість звичайних ДМАРД мають подібні несприятливі ефекти, існує кілька побічних ефектів, унікальних для кожного агента.

Гідроксихлорохін унікальний у цьому відношенні, оскільки він має найкращий профіль безпеки з усіх традиційних DMARD. Порівняно з іншими звичайними ДМАРД, гідроксихлорохін не збільшує ризик важких інфекцій, а також не викликає гепатотоксичності або порушення функції нирок. Загальні побічні ефекти гідроксихлорохіну включають висип, діарею. Рідкісним, але значним побічним ефектом гідроксихлорохіну є ретинопатія/макулопатія, що спостерігається при більш високій сукупній дозі. Фактори ризику розвитку макулопатії гідроксихлорохіну включають дозу більше 5 мг/кг/добу, більш ніж 5 -річну терапію, похилий вік та хронічні захворювання нирок. Пацієнтам, які приймають гідроксихлорохін, рекомендується проходити регулярне офтальмологічне обстеження з оглядовою когерентною томографією, яка є дуже чутливим тестом на макулопатію і може діагностувати її задовго до появи дефектів поля зору. Інші рідкісні побічні ефекти гідроксихлорохіну включають анемію, лейкопенію, міопатію та кардіоміопатію.

Метотрексат, лефлуномід та сульфасалазин подібні за профілем несприятливої ​​дії. Шлунково -кишковий дистрес (нудота, біль у животі, діарея), висип/алергічна реакція, пригнічення кісткового мозку, гепатотоксичність та вища частота поширених, а іноді й серйозних інфекцій є загальними побічними ефектами всіх цих агентів. Метотрексат і лефлуномід можуть викликати алопецію. Інші побічні ефекти, характерні виключно для метотрексату, включають інтерстиціальну хворобу легенів, дефіцит фолієвої кислоти та цироз печінки. Лефлуномід може викликати гіпертензію, периферичну нейропатію та втрату ваги. Сульфасалазин має дуже високий ризик шлунково -кишкового дистрессу. Це також рідко може викликати синдром DRESS. [6]

Найбільш тривожним побічним ефектом усіх біологічних DMARD є підвищений ризик поширених та серйозних інфекцій, включаючи бактеріальні, грибкові та вірусні інфекції. Можлива також реактивація туберкульозу, оперізувального герпесу та гепатиту В/С. Рідко повідомлялося про пригнічення кісткового мозку та гепатотоксичність при застосуванні біологічних ДМАРД. Засоби проти ФНП можуть викликати погіршення важкої застійної серцевої недостатності, медикаментозного вовчака, демієлінізуючих захворювань центральної нервової системи (ЦНС). Лімфоми та немеланомний рак шкіри також можуть бути пов'язані з анти-ФНВ-засобами. Гіперліпідемія, підвищений функціональний тест печінки та панцитопенія можуть бути викликані інгібіторами IL-6 та інгібіторами JAK. Повідомлялося про погіршення хронічної обструктивної хвороби дихальних шляхів унаслідок застосування абатацепту. Інгібітори IL-17 можуть викликати/погіршити запальне захворювання кишечника. Повідомлялося про прогресуючу мультифокальну лейкоенцефалопатію у пацієнтів, які отримували ритуксимаб.  

Деякі ліки, такі як нестероїдні протизапальні засоби (НПЗЗ), інгібітори протонної помпи, сульфасалазин, амоксицилін, можуть перешкоджати нирковій екскреції метотрексату, отже, підвищуючи його ефективність, а також збільшуючи ризик побічних ефектів.

Хоча поєднання біологічного DMARD із звичайним DMARD та використання декількох звичайних DMARDS вважається безпечним, не рекомендується використовувати комбінацію різних біологічних DMARDs через підвищений ризик важкої імуносупресії, що призводить до важкої та потенційно небезпечної для життя людини. інфекції.


ПЕРЕХОД до залежності

Як ми бачили, задоволення, викликане опіоїдною активацією мозку та природною системою винагороди, сприяє продовженню вживання наркотиків на початкових стадіях опіоїдної залежності. Згодом повторний вплив опіоїдних препаратів викликає механізми залежності мозку, що призводить до щоденного вживання наркотиків, щоб запобігти неприємним симптомам відміни наркотиків. Подальше тривале вживання призводить до більш тривалих змін у мозку, які можуть лежати в основі компульсивної поведінки у пошуках наркотиків та пов'язаних з цим несприятливих наслідків, що є ознаками залежності. Останні наукові дослідження створили кілька моделей, які пояснюють, як звичне вживання наркотиків викликає зміни в мозку, які можуть призвести до наркозалежності. Насправді, процес залежності, ймовірно, включає компоненти кожної з цих моделей, а також інші особливості.

Визначення ключових термінів

дофамін (DA): Нейромедіатор, присутній у регіонах мозку, який регулює рух, емоції, мотивацію та відчуття задоволення.

ГАМК (гамма-аміномасляна кислота): Нейромедіатор мозку, основна функція якого - гальмувати активацію нейронів.

locus ceruleus (LC): Ділянка мозку, яка приймає та обробляє сенсорні сигнали з усіх областей тіла, які беруть участь у збудженні та пильності.

норадреналін (NA): Нейромедіатор, що виробляється в мозку та периферичній нервовій системі, бере участь у збудженні та регуляції артеріального тиску, сну та настрою, також званий норадреналіном.

nucleus accumbens (NAc): Структура в передньому мозку, яка відіграє важливу роль у виділенні дофаміну та стимулюючій дії одного з ключових центрів задоволення мозку.

префронтальна кора (ПФК): Передня частина мозку бере участь у вищих когнітивних функціях, включаючи передбачення та планування.

вентральна тегментальна зона (VTA): До групи нейронів, що містять дофамін, які складають ключову частину системи винагороди головного мозку, ключовими мішенями цих нейронів є ядро ​​акумбенс і префронтальна кора

Модель “Змінено задане значення ” Модель

Модель "наркоманії", зміненої "#x0201ccd", має кілька варіантів, заснованих на зміненій нейробіології нейронів DA у VTA та нейронів NA у LC протягом ранніх фаз абстиненції та абстиненції. Основна ідея полягає в тому, що зловживання наркотиками змінює біологічні або фізіологічні умови або вихідний рівень. Один з варіантів, зроблений Koob та LeMoal (2001), ґрунтується на ідеї, що нейрони мезолімбічних шляхів винагороди природним чином “set ” вивільняють достатню кількість DA в NAc для вироблення нормального рівня задоволення. Коб і Лемоал припускають, що опіоїди викликають залежність, ініціюючи порочний цикл зміни цієї заданої точки, таким чином, що вивільнення ДА зменшується, коли відбувається звичайно приємна діяльність, а опіоїдів немає. Аналогічно зміна заданого значення відбувається в LC, але у зворотному напрямку, так що вивільнення NA збільшується під час виведення, як описано вище. За цією моделлю враховуються як позитивні (сподобається наркотики), так і негативні (відмова від наркотиків) аспекти наркозалежності.

Специфічний спосіб, по якому нейрони DA можуть стати дисфункціональними, пов'язаний із зміною їх базового (ȁкрестинг ”) рівня електричної активності та вивільнення DA (Grace, 2000). У цьому другому варіанті зміненої моделі встановленого значення цей рівень спокою є результатом двох факторів, які впливають на кількість вивільнення DA у спокої в NAc: кортикальні збуджуючі (глутаматні) нейрони, які приводять нейрони VTA DA до вивільнення DA, та ауторецептори (𠇋rakes ”), які припиняють подальший випуск, коли концентрації DA стають надмірними. Активація опіоїдних рецепторів героїном та героїноподібними наркотиками спочатку обходить ці гальма та призводить до великого вивільнення DA у NAc. Однак при неодноразовому вживанні героїну мозок реагує на ці послідовні великі викиди DA шляхом збільшення кількості та сили гальм на нейронах VTA DA. Зрештою, ці вдосконалені ауторецептори "гальмування" та "#x0201d" гальмують нейрони і вивільнення DA у спокої. Коли це станеться, залежний наркоман візьме ще більше героїну, щоб компенсувати зменшення нормального вивільнення DA у стані спокою. Коли він або вона припинять вживання героїну, настає стан дефіциту ДА, що проявляється дисфорією (біль, збудження, нездужання) та іншими симптомами відміни, що може призвести до циклу рецидиву вживання наркотиків.

Третій варіант зміни встановленого значення підкреслює чутливість до сигналів навколишнього середовища, що призводить до того, що наркотики прагнуть або мають тягу, а не лише підкріплення та відкликання (Breiter et al., 1997 Robinson and Berridge, 2000). У періоди, коли наркотик недоступний для наркоманів, їхній мозок може запам’ятати наркотик, а бажання чи тяга до наркотиків можуть бути основним чинником, що призводить до рецидиву вживання наркотиків. Ця тяга може являти собою підвищену активність кортикальних збуджуючих (глутаматних) нейротрансмітерів, які стимулюють активність спокою нейронів VTA, що містять DA, як згадувалося, а також керують нейронами LC NA. Зі збільшенням активності глутамату DA вивільняється з VTA, що призводить до втрати наркотиків або тяги, а NA - з LC, що призводить до посилення симптомів відміни опіоїдів. Ця теорія припускає, що ці коркові збуджуючі шляхи мозку є надмірно активними в залежності від героїну і що зниження їх активності було б терапевтичним. Наразі вчені досліджують ліки під назвою ламотриген та споріднені сполуки, що називаються збудниками амінокислот, щоб з’ясувати, чи дійсно ця потенційна стратегія лікування може спрацювати.

Таким чином, кілька механізмів у шляхах мозку LC та VTA-NAc можуть діяти під час залежності та рецидиву. Збудливі коркові шляхи можуть викликати незначну реакцію у VTA під час стану спокою, що призводить до зменшення DA. Однак, коли залежна особа зазнає сигналів, які викликають тягу, шляхи глутамату можуть стати достатньо активними, щоб підвищити DA і стимулювати бажання досягти більш високого рівня. Це саме збільшення активності глутамату підвищить вивільнення НА з ЖК, що спричинить дисфоричний стан, схильний до рецидиву та тривалої залежності.

Модель когнітивних дефіцитів

Модель когнітивних дефіцитів наркозалежності передбачає, що особи, які розвивають залежні розлади, мають аномалії в ділянці мозку, яка називається префронтальною корою (ПФК). PFC важливий для регулювання судових рішень, планування та інших виконавчих функцій. Щоб допомогти нам подолати деякі наші імпульси до негайного задоволення на користь більш важливих або в кінцевому підсумку більш корисних довгострокових цілей, PFC надсилає гальмівні сигнали до нейронів VTA DA системи мезолімбічної системи винагороди.

Модель когнітивних дефіцитів передбачає, що передача сигналів PFC до системи мезолімбічної винагороди порушується у людей з адиктивними розладами, і в результаті вони мають знижену здатність використовувати судження для стримування своїх імпульсів і схильні до компульсивної поведінки при прийомі наркотиків. Відповідно до цієї моделі, стимулюючі препарати, такі як метамфетамін, здається, пошкоджують певну ланцюг мозку — фронтостріатальну петлю —, яка передає гальмівні сигнали від PFC до мезолімбічної системи винагороди. Крім того, нещодавнє дослідження з використанням магнітно-резонансної спектроскопії показало, що хронічні люди, що зловживають алкоголем, мають аномально низький рівень гамма-аміномасляної кислоти (ГАМК), нейрохімікату, який ПФК використовує для сигналізації системи винагороди за вивільнення меншої кількості ДА (Бехар та ін., 1999). Крім того, модель когнітивних дефіцитів наркозалежності може пояснити клінічне спостереження про те, що героїнова залежність є більш вираженою у людей з антисоціальним розладом особистості, стан, який незалежно асоціюється з дефіцитом ПФК (Raine et al., 2000).

На відміну від стимуляторів, героїн, очевидно, руйнує ПФК, але не фронтостріатальну петлю. Отже, особи, які стають героїновими наркоманами, можуть мати певні пошкодження ПФУ, які не залежать від їх зловживання опіоїдами, або успадковані генетично, або спричинені якимось іншим фактором чи подією у їхньому житті. Це вже існуюче пошкодження ПФУ схиляє цих осіб до імпульсивності та відсутності контролю, а додаткове пошкодження ПФУ від хронічного повторного зловживання героїном збільшує серйозність цих проблем (Костен, 1998).


Методи

Штами бактерій

кишкова паличка Штам K-12 MG1655 використовували як штам дикого типу (WT). При необхідності відбір на канаміцині проводили при 25 мкг мл -1 (для селекції після рекомбінації див. Нижче) або при 50 мкг мл -1 (для трансдукції Р1 та виділення плазміди). Концентрацію 100 мкг мл -1 використовували для ампіциліну (pCP20, роздільна здатність касети для опору) та спектиноміцину (pSIM19, рекомбінація). Відбір плазмід із надвиразною експресією проводили при 35 мкг мл -1 хлорамфеніколу.

Для вимірювання слідів часу біолюмінесценції, pCS-λ несуть бактерію luxCDABE оперон, керований конститутивним λ-PR промотор був перетворений у штами, що представляють інтерес 16. Відбір для люмінесцентної плазміди був використаний під час приготування запасів гліцерину (канаміцин 50 мкг мл -1), але під час вимірювань його було пропущено, щоб уникнути невідомих взаємодій між використовуваними антибіотиками. Плазміду стабільно підтримували, оскільки ми не спостерігали значного дефекту придатності через pCS-λ та явної спонтанної втрати плазміди, що підтверджується нанесенням на селективні та неселективні пластини (Додатковий рис. 7). З цією метою ми відстежували зростання бактеріальних культур у колбах, струшуючи на водяній бані в чотирьох умовах. Ми або активно відбирали для підтримки плазмід та/або застосовували антибіотичний стрес, додаючи 2 мкг мл -1 -1 ХЛЛ, що призвело до ≈50% інгібування. Ми вимірювали оптичну щільність стандартними методами (за допомогою кюветного спектрофотометра Hitachi U-5100) після кожного вимірювання, ми поповнювали 1 мл видаленого середовища свіжим, попередньо розігрітим середовищем і відповідно коригували вимірювання оптичної щільності. Після досягнення пізньої експоненційної фази ми негайно розбавляли культуру послідовно і наносили однакові обсяги як на селективні, так і на неселективні пластини.

Платформу титрування фактора трансляції встановили у штамі HG105 (MG1655 ΔlacIZYA) 50. Коротко кажучи, ендогенні гени, що кодують фактори трансляції, спочатку були субклоновані у вектор pKD13 під контролем PLlacO − 1 промотор з касетою резистентності до канаміцину, фланкированной FRT (кан R) і TrrnB термінатор вище і нижче за течією гена, відповідно 13,27,36,51. Тандем кан R і гена з усіма регуляторними елементами був інтегрований у хромосому (галк locus) з використанням λ-червоного рекомбінації (плазміда pSIM19 52). Касети стійкості до канаміцину тут і на наступних етапах були вирішені за допомогою резольвази FLP дріжджів, експресованої з pCP20 53. Втрату касети резистентності та затвердіння плазміди pCP20 перевіряли смугоподібним використанням на селекційних агарових планшетах з антибіотиками та з’єднанням ПЛР (для розділення). Після розділення kan R ендогенний фактор був інактивований шляхом внутрішньокадрової делеції: kan R був інтегрований у локус гена і потім розщеплений, що залишило 34 залишку пептиду 51. Нам не вдалося ввести кан R безпосередньо у штам з РLlacO − 1 керований фрр тому ми вперше виконали делецію в допоміжному штамі MG1655, що несе плазміду ASKA с фрр 54 [JW0167 (-GFP)], який доповнював хромосомну делецію при додаванні IPTG. Видалення було можливим у допоміжному штамі, що дає MG1655 Δfrr:: kanR. Потім ми перемістили видалення шляхом узагальненої P1 -трансдукції 55. За tufAB, ми P1-трансдукували делеції (ΔtufA:: kan R і ΔtufB:: kan R) послідовно з відповідних штамів делеції генів з колекції KEIO 56. Усі інші видалення виконувались безпосередньо за допомогою штамів, що представляють інтерес λ-червоне рекомбінаціювання з використанням pKD13 як шаблону для касетного підсилення 51. На останньому кроці, lacI керований П.LlacO − 1 промотор (що дає незалежну від швидкості зростання негативну авторегуляцію 13,36) разом із фланговим FRT кан R був інтегрований у intS локусу та касету опору було вирішено. Алель ΔintS:: kan R -PLlacO − 1-lacI-TrrnB був переміщений у штами шляхом узагальненої трансдукції Р1. Усі хромосомні модифікації були підтверджені методом ПЛР. The factor titration platform and the repressor operon were Sanger-sequenced at the integration junctions using PCR primers or a primer binding into the kan R promoter region (which is upstream of the PLlacO−1 promoter prior the resolution). The final genotype for the strains bearing the factor titration platforms is HG105 ΔgalK::frt-PLlacO−1-x Δx::frt ΔintS::frt-PLlacO−1-lacI, де x denotes the chosen factor. These strains contained no plasmids and no antibiotic resistance cassettes but had a single copy of a translation factor under inducible control.

To generate the strain with independently regulated initiation and translocation factors, we started with a strain carrying a single infB copy driven by PLlacO−1. Then, the negatively autoregulated tetR repressor was integrated into the chromosome, followed by FLP resolvase-mediated resolution of the selection marker. This enabled the integration of PLtetO-1-driven fusA в intS locus the resolution was followed by the disruption of the endogenous copy of fusA. Furthermore, we introduced a negatively autoregulated lacI в xylB локус. This yielded a marker-less strain with the two essential genes infB та fusA under inducible, negatively autoregulated, and independent control. The final genotype is: HG105 ΔgalK::frt-PLlacO−1-infB ΔinfB::frt ΔycaCD::frt-PLtetO−1-tetR ΔintS::frt-PLtetO−1-fusA ΔfusA::frt ΔxylB::frt-PLlacO−1-lacI. Oligonucleotide sequences, targeted template, restrictions sites (when used), and a brief description of use are listed in Supplementary Data 1. All DNA modifying enzymes and Q5 polymerase used in PCR were from New England Biolabs.

We constructed overexpression strains by transforming HG105 with pCS-λ and plasmids from the ASKA library 54 and its derivatives. We used ASKA plasmids in which GFP has been excised from the reading frame we had to repeat the excision of GFP from the infB-bearing plasmid by NotI digestion and subsequent ligation as per ref. 54 . All plasmids were Sanger-sequenced. For controls we used (i) plasmid pAA31 (gift from A. Angermayr), in which the open reading frame is cleanly deleted, as transcription-only control, and (ii) the ASKA plasmid bearing lacZ as a neutral protein overexpression control. We note that the overexpression of proteins leads to growth inhibition 13,57 hence, we actively selected for plasmid maintenance by adding 35 μg mL −1 of chloramphenicol into the growth medium.

Growth rate assay and two-dimensional concentration matrices

Rich lysogeny broth (LB) medium, which at 37 °C supports a growth rate of 2.0 ± 0.1 h −1 , was used. LB medium was prepared from Sigma Aldrich LB broth powder (L3022), pH-adjusted to 7.0 by adding NaOH or HCl, and autoclaved. Antibiotic stock solutions were prepared from powder stocks (for catalog numbers, see Supplementary Table 1), dissolved either in ethanol (CHL, ERM, and TET), DMSO (LAM and TMP) or water (KAN, CRY, LCY, KSG, FUS, and STR), 0.22 μm filter-sterilized and kept at −20 °C in the dark until used. Antibiotics were purchased from Sigma Aldrich or AvaChem. Some of the antibiotics (e.g., ERM, FUS, and LCY) are not used in the clinic against certain Gram-negative bacteria due to generally poor efficacy however, at higher concentrations (yet still well below the solubility limit) inhibition of growth is observed.

A previously established growth-rate assay based on photon counting was used to precisely quantify the absolute growth rates for 5–9 generations 16 . Cultures were grown in 150 μL of media in opaque white 96-well microtiter plates (Nunc 236105), which were tightly sealed by transparent adhesive foils (Perkin-Elmer 6050185 TopSeal-A PLUS) to prevent contamination and evaporation. We prepared glycerol stocks of WT and factor-titration platform strains from saturated overnight cultures. We inoculated the cultures with

10 2 cells per well (1:10 6 dilution) from either thawed glycerol stocks (for the drug interaction network) or from liquid cultures in which we first incubated the bacteria containing the factor titration-platform for 1 h in the absence of IPTG (inoculated by 1:2000 dilution of the glycerol stock) to partially dilute out the remaining factor molecules before additional 1:1000 dilution into measurement plates. Between 10 and 20 plates were cycled through a plate reader using a stacking system (Tecan M1000, controlled by Tecan i-control software, v1.10.4). We built a custom incubator box around the stacker towers to facilitate ventilation and fix the temperature to 37 °C (Supplementary Fig. 7). This incubator was designed and troubleshot by B.K. and Andreas Angermayr (IST Austria and University of Cologne) and built by IST Miba Machine Shop. Each plate was read every 20–40 min and was shaken (orbital 10 s, 582 rpm) immediately before reading (settle time 10 ms, integration time 1 s). Plates were manually pipetted and concentration gradients of antibiotics and inducers (IPTG, aTc) were prepared by serial dilution (0.70-fold).

Growth rates were determined as a best-fit slope of a linear function fitted to the (mathrm,) -transformed photon counts per second. The fitting procedure and examples of growth curves are shown in Supplementary Fig. 1. In rare cases of occurrence of mutants (as evidenced by sudden growth) we manually removed the measurement (only in the case of tufA titration). We verified that the luminescence-based technique leads to the same results as a classical optical density-based one (Supplementary Fig. 7).

Normalization of dose–response surfaces

All growth rates were normalized relative to the average growth rate in the drug-free medium [for factor-titration strains at the highest inducer concentration (5 mM)]. Small differences between individual dose–response curves were inevitable due to known challenges of preparing identical concentrations gradients on different days. To correct for such day-to-day variability, we rescaled the concentration units to the IC50 for each drug. The IC50 was obtained from fitting the Hill function (y(x)=1/left[1+>>_<50> ight)>^ ight]) to the individual dose–response curves. The dose–response curve of each drug was measured seven times and averaged. The IC50 and corresponding errors reported in Table 1 are extracted from such average dose–response curves (Supplementary Fig. 1g). Induction curves were normalized slightly differently, using a shifted and increasing Hill function in the form (g(b)=[(b+_<0>)/<< m>>_<50>]^/left<1+_<0>)/<< m>>_<50> ight]>^ ight>) , where b0 is a concentration offset. The latter parameter was required as the complete cessation of growth was not achievable in some cases even in the absence of inducer as the promoter PLlacO−1 is leaky. Inducer concentrations were thus rescaled via b → (b + b0)/IC50.

Smoothing of dose–response surfaces

To reduce noise when plotting response surfaces, we smoothed the data using a custom Mathematica script that implements locally weighted regression (LOESS) 58 . This approach only smoothed the contours and did not alter the character of dose–response surfaces. Smoothing was only used for plotting and not for the analysis in which only interpolation between adjacent points was used (Mathematica function Interpolation).

Statistics and reproducibility

We measured the dose–response surfaces for all 28 drug interactions in duplicate. As the dose–response surface was measured over a 12 × 16 grid, the duplicates swap the drug axes (12 × 16 → 16 × 12 across two 96-well plates) on different days to check for effects coming from spreading the measurements over different plates. The experimental and analysis procedure led to reproducible measurements of growth rates between days (Supplementary Fig. 1, ρ ≈ 0.86). For the double factor titration experiment, the inducer gradients were set up across 6 plates to form a 24 × 24 grid. Each response surface is thus based on multiple measurements and the impact of individual points is assessed by bootstrapping. In total, we measured over 20,000 growth curves. We automatized the collection and analysis of the data to allow for unbiased interpretation of the data.

We characterized the type of drug interaction by calculation of the Loewe interaction score [Supplementary Equation (1)]. The effects of bottlenecks on the efficacy of antibiotics were quantified by calculating the bottleneck dependency score [Supplementary Equation (2)]. To classify the interactions between antibiotics and antibiotic-bottleneck pairs, we estimated the null distributions by bootstrapping (Supplementary Information).

We assessed the accuracy of our predictions by “isobole sliding,” which measures the average deviation of measured isoboles from predicted ones (Supplementary Information). We performed bootstrapping to statistically determine the significances of predictions.

A biophysical model for a pair of antibiotics

We constructed a minimal mathematical model describing the combined antibiotic action based on growth laws 13 and kinetics of antibiotic transport and binding 14 . The corresponding system of coupled ordinary differential equations (ODEs) and additional analysis are specified in the Supplementary Information. Differential equations describe the time-evolution of unbound, individually-bound and double-bound ribosomes, as well as the intracellular concentrations of antibiotics. Growth laws convert the concentration of unbound ribosomes into the growth rate, which determines the total abundance of ribosomes 13,14 . Steady-state solutions were found numerically. A more detailed analysis of model extensions is reported in ref. 23 .

TASEP model of translation

We developed a mean-field mathematical model of factor-mediated translation which recovers the suppression between inhibitions of initiation and translocation. We took into account that ribosomes can perform a specific step only when bound by a corresponding translation factor. The mathematical framework is detailed in Supplementary Methods followed by a Supplementary Discussion of the effect of mRNA growth-rate dependence, rescue mechanisms, and inefficiency of a direct response to translocation inhibition.

Materials availability

Strains described in this study can be obtained from the corresponding author upon reasonable request.

Резюме звітності

Подальшу інформацію про дизайн досліджень можна знайти у Збірнику звітів про природні дослідження, що є посиланням на цю статтю.


Допоміжна інформація

S1 Fig. Effect of antibiotics on virulence factor production in P. aeruginosa PAO1 populations.

We exposed PAO1 to all four antibiotics in two the experimental media: CAA+Tf (iron-limited CAA with transferrin) and CAS. After 48 hours of exposure, we measured virulence factor production: pyoverdine in CAA+Tf and proteases in CAS. The inhibition of virulence factors followed the same pattern as for growth inhibition, except for ciprofloxacin and meropenem, where pyoverdine production slightly increased at intermediate antibiotic concentrations and only dropped at higher antibiotic levels. Dots show means ± standard error across six replicates. All data are scaled relative to the drug-free treatment. Data stem from the same two independent experiments as shown in Fig 1. The red dots indicate the highest concentration used for each experiment, from which 7 serial dilution steps were tested. Curves were fitted with log-logistic functions. The underlying data for this figure can be found at https://doi.org/10.6084/m9.figshare.12515364. CAA, casamino acid medium CAS, casein medium Tf, human apo-transferrin.

S2 Fig. Statistical significance maps for antibiotic-antivirulence drug interactions.

For each drug concentration combination, we tested whether the degree of synergy is significantly different from zero (i.e., independent drug interaction). Heatmaps depict стор-values ranging from white (no significant drug interaction) to blue (significant antagonism) to red (significant synergy). стор-Values are shown for gallium-antibiotic combinations (А-Г for growth E-H for pyoverdine production) and furanone-antibiotic combinations (I-L for growth M-P for protease production). To account for multiple comparisons, we corrected the стор-values for each drug combination using the “false discovery rate” method. The underlying data for this figure can be found at https://doi.org/10.6084/m9.figshare.12515364.

S3 Fig. Assessing the relationship between the degrees of synergy for growth and virulence factor inhibition.

We found that the degrees of synergy for the two measured traits across the 9×9 antibiotic-antivirulence combination matrix correlated in 6 out of 8 cases (Pearson correlation coefficient: ciprofloxacin-gallium: r = 0.09, t79 = 0.85, стор = 0.394 colistin-gallium: r = 0.69, t79 = 8.51, стор < 0.001 meropenem-gallium: r = 0.17, t79 = 1.52, стор = 0.130 tobramycin-gallium: r = 0.58, t79 = 6.39, стор < 0.001 ciprofloxacin-furanone: r = 0.34, t79 = 3.22, стор = 0.002 colistin-furanone: r = 0.96, t79 = 32.50, стор < 0.001 meropenem-furanone: r = 0.87, t79 = 15.48, стор < 0.001 tobramycin-furanone: r = 0.75, t79 = 10.16, стор & lt 0,001). Solid lines show association trend lines between the two levels of interactions. The underlying data for this figure can be found at https://doi.org/10.6084/m9.figshare.12515364.

S4 Fig. Clones evolved under antibiotic treatments show altered dose-response curves.

To confirm that the evolved clones are resistant to the antibiotic in the two experimental media (iron-limited [CAA+Tf] and CAS media), we measured for each antibiotic the dose-response curves for the ancestral WT and one randomly selected clone either in CAA+Tf or CAS. For each antibiotic and medium, we tested 11 concentrations within these ranges: ciprofloxacin: 0–1 μg/mL (CAA+Tf), 0–4 μg/mL (CAS) colistin: 0–1.2 μg/mL (CAA+Tf), 0–3.33 μg/mL (CAS) meropenem: 0–1.6 μg/mL (CAA+Tf), 0–7 μg/mL (CAS) tobramycin: 0–2.4 μg/mL (CAA+Tf), 0–24 μg/mL (CAS). All evolved clones showed an attenuated dose-response curve, were able to grow at higher drug concentrations than the ancestral WT and had significantly higher IC50 цінності. Measurements of OD600 were taken after 48 hours incubation time at 37°C under static conditions. Growth values are scaled relative to the untreated control for each strain. Data are shown as means ± standard errors across four replicates. Curves were fitted with four parameters log-logistic functions. In the lower left corner of each panel we show the mean IC50 values of the WT and AtbR clones ± standard errors (μg/mL) and the respective statistical analysis comparing the ratio of the means. The underlying data for this figure can be found at https://doi.org/10.6084/m9.figshare.12515364. AtbR clones, antibiotic resistant clones CAA, casamino acid medium CAS, casein medium IC50, half maximal inhibitory concentration OD600, optical density at 600 nm Tf, human apo-transferrin WT, wild-type.

S5 Fig. Antivirulence dose-response curves for AtbR clones of P. aeruginosa PAO1.

To check whether resistance to antibiotics influenced the susceptibility to antivirulence compounds, we exposed our selected AtbR clones to a range of concentrations of both gallium (0–50 μM) and furanone (0–390 μM). Under gallium treatment, only the colistin resistant clone showed increased sensitivity to the antivirulence drug. Under furanone treatment, the clones resistant to ciprofloxacin and colistin showed a certain level of cross-resistance to this antivirulence compound, while we found collateral sensitivity between tobramycin and furanone. All values are scaled relative to the untreated control for each strain, and data points show the mean across four replicates. We used either log-logistic functions (in CAA+Tf) or three-parameter Weibull functions (in CAS) to fit the curves and extract mean IC50 values ± standard error, which are reported in the left bottom corner of each panel together with the respective statistical analysis comparing the ratio of the means. The underlying data for this figure can be found at https://doi.org/10.6084/m9.figshare.12515364. AtbR clones, antibiotic resistant clones CAA, casamino acid medium CAS, casein medium IC50, half maximal inhibitory concentration OD600, optical density at 600 nm Tf, human apo-transferrin WT, wild-type.

S6 Fig. Testing for correlations between the degree of synergy for growth inhibition and the outcome of competitions.

We tested whether the degree of synergy for growth inhibition is a predictor of the competition outcome between the AtbR clones and the susceptible WT under combination treatment. We compared the degrees of synergy of each drug combination for the AtbR clones (А.) or the WT (B) to their relative fitness values in competition. Positive or negative y-values indicate that the clones increased or decreased in frequency during the competition, respectively. Positive or negative values on the x-axis indicate synergy or antagonism, respectively. There were no significant associations between the relative fitness and the degree of synergy for growth inhibition neither for the AtbR clones nor for the WT (ANOVA, for AtbR: F1,65 = 0.88, стор = 0.353 for WT: F1,65 = 1.85, стор = 0.179). Instead, relative fitness was significantly affected by the type of antivirulence drug (ANOVA, for AtbR clones: F1,65 = 106.36, стор < 0.001 for WT: F1,65 = 44.58, стор < 0.001) and the specific antibiotic-antivirulence combination applied (ANOVA, for AtbR clones: F3,65 = 37.45, стор < 0.001 for WT: F3,65 = 14.50, стор & lt 0,001). The underlying data for this figure can be found at https://doi.org/10.6084/m9.figshare.12515364. AtbR clones, antibiotic resistant clones WT, wild-type.

S7 Fig. Validation of mCherry fluorescence as a proxy for growth measurements.

The CAS media has a very high turbidity due to the poor solubility of casein, which interferes with OD600, which is typically used as a measure of growth. We therefore used mCherry fluorescence, constitutively expressed from a single-copy chromosomal insertion, as a proxy for bacterial growth in CAS. To validate this method, we grew PAO1-mCherry (able to digest CAS) and PAO1 ΔlasR-mCherry (unable to digest CAS) in CAS medium for 48 hours at 37°C in a Tecan plate reader tracking OD600 and mCherry fluorescence every 15 minutes. (А.) Blank corrected OD600 trajectories for PAO1-mCherry and PAO1 ΔlasR-mCherry. PAO1 ΔlasR-mCherry grew poorly but showed a standard sigmoid growth pattern by digesting the supplemented CAA. In stark contrast, the OD600 of PAO1-mCherry first increased sharply, then declined dramatically, followed by a slow linear increase over time. This trajectory is explained by the simultaneous growth of bacteria (increasing OD600) and clearance of the turbidity due to protein digestion (decreasing OD600), thus demonstrating that OD600 is an unsuitable measure for growth. (B) Blank corrected mCherry trajectories for PAO1-mCherry and PAO1 ΔlasR-mCherry. As for OD600, PAO1 ΔlasR-mCherry grew only poorly (according to the mCherry signal) and only within the first 7 hours of the assay, digesting the supplemented CAA. Unlike for OD600, the mCherry signal yielded a much more sensible growth trajectory for PAO1-mCherry, characterized by an initial increase (CAA consumption), followed by a lag phase (protease secretion and switch to CAS) and growth resumption (CAS digestion). (C.) To further validate that mCherry fluorescence is a good proxy for growth in CAS media, we compared the endpoint measurements of mCherry fluorescence with CFU/mL values, determined by plating the cultures on LB-agar plates. All values are scaled relative to PAO1-mCherry. The two methods yielded similar results and show that the growth of PAO1ΔlasR-mCherry is approximately 25% of the one of PAO1-mCherry. Data are shown as means ± standard errors across eight replicates for the growth curves and eight (PAO1-mCherry) or four (PAO1ΔlasR-mCherry) replicates for the CFU/mL data. The underlying data for this figure can be found at https://doi.org/10.6084/m9.figshare.12515364. CAA, casamino acid medium CAS, casein medium CFU, colony forming units LB, Lysogeny broth OD600, optical density at 600 nm.

S8 Fig. Correlation between endpoint measurements and area under the growth curve (integral) for single drug treatments.

To verify that a single OD600 or mCherry measurement after growth is a good proxy for growth inhibition, we tested the correlation between the area under the growth curve (integral) and endpoint measurements, under single drug treatments in CAA+Tf (А.) or CAS (B) media. For each antibiotic and antivirulence compound, we picked 9 concentrations that cover the entire drug active range and that were used for the combination assay, shown in Figs 3 and 4. Each concentration was tested in 5-fold replication. Cultures were grown for 48 hours in a Tecan Infinite M-200 plate reader (Tecan Group, Switzerland) and growth was recorded by reading OD600 (in CAA+Tf) or mCherry fluorescence (in CAS) every 15 minutes, after a short shaking event. Growth trajectories were established with a spline fit, and the two parameters (endpoint yield and integral) were extracted using the grofit package in RStudio. In both media, the two growth parameters showed strong linear association patterns (blue lines and R 2 values). For several drugs, growth integral measurements were more sensitive to discover growth inhibitions at low drug concentrations (light gray circles), and that is why cubic data fits (red lines and R 2 values) often explained an even higher proportion of the variance. Nonetheless, these control analyses show that endpoint growth values are reliable proxies for measuring growth inhibition under drug treatment. The underlying data for this figure can be found at https://doi.org/10.6084/m9.figshare.12515364. CAA, casamino acid medium CAS, casein medium OD600, optical density at 600 nm Tf, human apo-transferrin.

S9 Fig. Fluorescence correction for mCherry and pyoverdine measurements in the presence of furanone C-30 and gallium.

The two metals bromine (in furanone C-30) and gallium interfere with the fluorescence measurements of mCherry and pyoverdine in a concentration-dependent manner. To account for this bias, we established calibration curves and used them to correct fluorescent values in all experiments. (А.) Furanone C-30 is autofluorescent in the mCherry channel (excitation 582 nm, emission 620 nm). We quantified the autofluorescence in function of the concentration of furanone both in CAS and CAA media. Briefly, we incubated each media supplemented with a range of furanone C-30 concentrations (0–390 μM, as used in Fig 2, in 6-fold replication) for 48 hours under static conditions and then measured mCherry fluorescence. The relationship between concentration and fluorescence was explained by a four-parameter logistic function in CAS or by a three-parameter Gompertz function in CAA. In all experiments, we used this calibration curve to subtract, for each furanone concentration, the autofluorescence component from the mCherry measurements. (B) The fluorescent signal of pyoverdine becomes inflated when gallium binds to the siderophore [27,38]. We used the supplementary data from Ross-Gillespie and colleagues [27] to quantify this bias in fluorescence as a function of gallium concentration. They incubated 200 μM pyoverdine in iron-limited CAA+Tf medium, supplemented with gallium concentrations ranging from 0 to 1 mM, and measured pyoverdine-associated fluorescence. When supplemented with more than 50 μM gallium, pyoverdine showed a nearly 2-fold higher fluorescence signal. This signal bias can be explained by a five-parameter log-logistic function. In all our experiments, for each gallium concentration used, we applied correction factors derived from this fitted curve to account for this potential bias. The underlying data for this figure can be found at https://doi.org/10.6084/m9.figshare.12515364. CAA, casamino acid medium CAS, casein medium Tf, human apo-transferrin.

S10 Fig. Examples of flow cytometry scatterplots from competition experiments between the sensitive WT PAO1 and AtbR clones.

The WT strain PAO1, chromosomally tagged with a constitutively expressed GFP marker, was co-cultured with AtbR clones in a 90:10 ratio in the presence of five different drug treatments. Mono- and mixed cultures were measured with the flow cytometer at the beginning (time, 0 hours) and at the end (time, 24 hours) of the competition experiments. For data analysis, we plotted the size of the cells (forward scatter, FSC) against the GFP fluorescence to distinguish tagged from untagged cells. The shown plots depict an illustrative example, in which ciprofloxacin was used as an antibiotic. (А.) A monoculture of the untagged AtbR clone does not show GFP fluorescence. This control allows quantifying the background fluorescence of the cells. (B) A monoculture of the tagged PAO1-GFP shows relatively strong GFP fluorescence, with 99.1% of all cells considered as GFP positive. (C.) In a 90:10 volumetric mix of WT and AtbR clones, the cells of the two strains can be unambiguously distinguished and their actual ratio (88:12) can be determined. Frequencies of GFP-positive and GFP-negative cells were then quantified after a 24-hour incubation period at 37°C. (D) The monoculture of the untagged AtbR strain shows that cells do not increase their GFP autofluorescence over time, and 100% of cells fall into the GFP-negative gate. (E) The monoculture of PAO1-GFP shows relatively strong fluorescence also at the end of the competition, with 99.3% of cells being classified as GFP positive. (F) The mix of WT and AtbR clones, when grown in absence of any drug treatment stays at the initial frequency (88.2:11.8). (G) When the mix was grown in the presence of the antibiotic, the fraction of untagged AtbR strain increases to 23.6%, demonstrating their selective advantage. AtbR clones, antibiotic resistant clones GFP, green fluorescent proteins WT, wild-type.

S1 Таблиця. Statistical analyses (t test and ANOVA) performed on the data presented in Fig 6.

S2 Table. Concentrations of antibiotics and antivirulence drugs used for the combinatorial treatments and the competition assays.


Accelerating Antiretroviral Drug Development

Established in the early years of the HIV/AIDS pandemic, the NIAID-supported National Cooperative Drug Discovery Group Program for the Treatment of AIDS (NCDDG-AIDS) provided a framework for scientists from academia, industry, and government to collaborate on research related to the identification and development of new drugs. NIAID-supported researchers developed cell culture and biochemical test systems that allowed researchers to more easily screen drug candidates, and NIAID also played a key role in the development of animal models for preclinical testing.

In the early 1990s, additional NRTI drugs gained FDA approval. The development of AZT and other NRTIs showed that treating HIV was possible, and these drugs paved the way for discovery and development of new generations of antiretroviral drugs.

While the earliest antiretroviral agents were developed before many HIV diagnostics were available in the clinic, the development of laboratory tests to measure viral load and CD4+ cell count greatly accelerated progress in drug development. Viral load describes the amount of HIV in the blood. Typically, the higher the viral load, the faster the CD4+ cell count—an indicator of how well the immune system is working—will fall. These advances made it possible for researchers to use lab test results, viral load measurements in particular, to assess how well an investigational antiretroviral agent worked. This approach required drug trials to last roughly 6 months, whereas relying solely on clinical indicators, such as progression to AIDS or death, ordinarily required trials to last years before a result was available.


Doubling Down on Headache Pain: Effective Combo of Common Drugs

It’s not uncommon for people who experience a concussion to have moderate to severe headaches in the weeks after the injury. A new study has found a combination of two drugs, both common anti-nausea medications, given intravenously in the emergency room may relieve those headaches better than a placebo. The study is published in Neurology®, the medical journal of the American Academy of Neurology.

Metoclopramide is an anti-nausea medicine sometimes used to treat migraine. Diphenhydramine is a common antihistamine that when used in its injected form can treat motion sickness. Higher doses of metoclopramide given intravenously can cause restlessness, so this study combined diphenhydramine with metoclopramide to prevent those symptoms.

“The headaches you get after a trauma like a fall, an assault or car accident can linger for months or even years and lead to a reduced quality of life, so the results of our study are promising,” said study author Benjamin W. Friedman, M.D., of Albert Einstein College of Medicine, Bronx, N.Y.

The study involved 160 people who experienced a head trauma and then visited an emergency room because of a headache within 10 days. They were randomly assigned to two groups: 81 people were given 20 milligrams (mg) of metoclopramide and 25 mg of diphenhydramine intravenously. The remaining 79 people were given an injection of saline solution as a placebo.

Researchers asked people to rate the intensity of their pain on a scale of zero to 10 one hour after the medication was administered. On this scale, zero means no pain and 10 means the worst pain imaginable.

The study found that the drug combination reduced the average person’s pain level by more than five points one hour later. People in the group given the combination of metoclopramide and diphenhydramine said they improved, on average, by 5.2 points on the pain scale. People in the group given a placebo, on average, said their pain improved by 3.8 points on the pain scale.

In the group given the drug combination, 43% experienced side effects like drowsiness, restlessness, or diarrhea. In the group given the placebo, 28% of the people reported those kinds of side effects.

“More research is needed to determine the most effective dose of metoclopramide, and how long to administer it, to see if people can get longer-term relief after they leave the emergency room,” Friedman said. “Also, future work may be able to determine whether early treatment with this medication can target other disruptive symptoms you may get after a head injury, like depression, sleep disorders, and anxiety.”

A limitation of the study is that the study participants came from high poverty areas of the country, and may have had less access to care. Because successful headache treatment may be associated with access to care, these results may not apply to the general population.

Reference: “Randomized Study of Metoclopramide Plus Diphenhydramine for Acute Posttraumatic Headache” by Benjamin W. Friedman, Eddie Irizarry, Darnell Cain, Arianna Caradonna, Mia T. Minen, Clemencia Solorzano, Eleftheria Zias, David Zybert, Michael McGregor, Polly E. Bijur and E. John Gallagher, 24 March 2021, Неврологія.
DOI: 10.1212/WNL.0000000000011822

The study received support from the Harold and Muriel Block Institute for Clinical and Translational Research at Einstein and Montefiore.


The most common side effects of antidepressants are drowsiness and fatigue, gastrointestinal side effects such as nausea, sexual dysfunction, weight gain, and risk of suicide.

Drowsiness and Fatigue

Drowsiness and dizziness are more common with tricyclic antidepressants (TCAs) or monoamine oxidase inhibitors (MAOIs) than selective serotonin reuptake inhibitors (SSRIs). Most people become tolerant to this effect. Some antidepressants can cause insomnia.

Gastrointestinal side effects

Most people feel a bit nauseous when they first start taking an antidepressant, but this usually goes away after a few weeks. Constipation, diarrhea, and a dry mouth may also occur, usually temporarily.

Antidepressants may reduce your sex drive (libido) or your ability to obtain or keep an erection if you are a man or reach orgasm (both male and female).

Once your symptoms of depression have resolved, your appetite usually improves. This may be the reason behind weight gain with antidepressants, or it could be due to fluid retention. Some antidepressants are more likely to cause weight gain than others.

All antidepressants have been associated with an increased risk of suicidal thoughts and behaviors, particularly in children and adolescents under the age of 25 years. This is more common within the first few weeks of starting an antidepressant. You should tell your doctor if you feel like your mood has gotten worse or if you are having suicidal thoughts.

Antidepressants are used for several mood-related disorders, not only depression, usually in combination with other treatments, such as talk therapy.

They are thought to work by altering the balance of chemicals in the brain called neurotransmitters, such as serotonin, norepinephrine, and/or dopamine. While altering these chemicals relieves symptoms of depression such as low mood, irritability, feelings of worthlessness, anxiety, and difficulty in sleeping, it does mean they can cause a range of side effects.