Eine Krise, die neue Ansätze erfordert
Die Welt verliert zunehmend wirksame Antibiotika, und die Folgen werden bereits in Menschenleben gemessen. Antimikrobielle Resistenz, die Fähigkeit von Bakterien und anderen Krankheitserregern, Abwehrmechanismen gegen die zu ihrer Bekämpfung entwickelten Medikamente zu entwickeln, kostet schätzungsweise 1,27 Millionen Menschen pro Jahr das Leben und trägt zu fast fünf Millionen Todesfällen weltweit bei. Die Pipeline neuer Antibiotikamedikamente ist auf einen Bruchteil dessen verlangsamt, was es vor Jahrzehnten war, da Pharmaunternehmen ihre Forschungsinvestitionen in profitablere Bereiche verlagert haben. In diese wachsende Krise ist César de la Fuente getreten, ein Wissenschaftler an der Universität von Pennsylvania, der grundlegend neu überdenkt, woher Antibiotika kommen und wie sie entdeckt werden.
De la Fuentes Ansatz stellt einen Paradigmenwechsel in der Wirkstoffforschung dar. Anstatt dem traditionellen Weg zu folgen, Bodenproben und Mikrobienkulturen auf antimikrobielle Aktivität zu untersuchen – eine Methode, die seit ihrer Blütezeit in der Mitte des zwanzigsten Jahrhunderts sinkende Renditen liefert – hat er sich künstlicher Intelligenz zugewendet, um riesige biologische Datenbanken zu erforschen, die kein menschlicher Forscher manuell analysieren könnte. Die Ergebnisse sind erstaunlich und offenbaren potenzielle Antibiotikaverbindungen an Orten, an die niemand gedacht hätte zu schauen.
Das Durchsuchen der Genome des Aussterbens
Eine der bemerkenswertesten Forschungsrichtungen de la Fuentes beinhaltet die Suche nach antimikrobiellen Peptiden in den Genomen ausgestorbener Organismen. Mit Hilfe von Algorithmen des maschinellen Lernens, die darauf trainiert sind, die strukturellen Merkmale zu erkennen, die mit Antibiotikaaktivität verbunden sind, hat sein Team die rekonstruierten genetischen Sequenzen von Neandertalern, Denisova-Menschen und anderen alten Homininen analysiert. Die KI identifizierte Peptide, die, wenn sie im Labor synthetisiert werden, echte antimikrobielle Aktivität gegen moderne arzneimittelresistente Bakterien zeigten.
Das Konzept ist sowohl elegant als auch provokativ. Diese alten Organismen entwickelten antimikrobielle Abwehrmechanismen über Hundertausende von Jahren der natürlichen Auslese, aber die spezifischen beteiligten Peptide gingen der Wissenschaft verloren, als die Art ausstarb. Durch die Verwendung von KI zur Identifizierung dieser Verbindungen in rekonstruierten Genomen erweckt de la Fuente effektiv eine Pharmakopöe wieder zum Leben, die man für verloren hielt. Es ist eine Form der molekularen Archäologie, wobei Computerwerkzeuge verwendet werden, um medizinischen Wert aus der fernen Vergangenheit zu extrahieren.
Der Ansatz ist nicht auf Homininen beschränkt. De la Fuentes Team hat ihre Suche auf die Genome von Wollmammuts, alten Meeresorganismen und anderen ausgestorbenen Arten erweitert, von denen jede eine einzigartige evolutionäre Linie darstellt, die möglicherweise antimikrobielle Verbindungen mit neuartigen Wirkungsmechanismen entwickelt hat. Die Vielfalt der Quellen ist ein strategischer Vorteil, da Bakterien weniger wahrscheinlich bereits vorhandene Resistenz gegen Verbindungen haben, denen sie nie begegnet sind.
Der menschliche Körper als Apotheke
In einer parallelen Forschungslinie hat de la Fuente die Aufmerksamkeit der KI nach innen gewendet und die Proteine und Peptide untersucht, die der menschliche Körper selbst produziert. Das menschliche Proteom enthält Tausende von Proteinen, die eine breite Palette biologischer Funktionen erfüllen, von struktureller Unterstützung bis zur Immunabwehr. Durch die Analyse dieser Proteine mit Modellen des maschinellen Lernens hat sein Team Fragmente identifiziert, die antimikrobielle Eigenschaften aufweisen, aber nie als potenzielle Wirkstoffkandidaten erkannt worden waren.
Diese Entdeckung hat tiefgreifende Auswirkungen. Wenn wirksame Antibiotika aus menschlichen Proteinen abgeleitet werden können, bieten sie möglicherweise Vorteile in Bezug auf Biokompatibilität und reduzierte Nebenwirkungen. Das Immunsystem nutzt bereits antimikrobielle Peptide als Teil seiner ersten Verteidigungslinie gegen Infektionen; de la Fuentes Arbeit legt nahe, dass der Körper möglicherweise ein viel größeres Arsenal antimikrobieller Verbindungen enthält als bisher angenommen, das darauf wartet, identifiziert und in therapeutische Wirkstoffe entwickelt zu werden.
Wie die KI funktioniert
Die Systeme des maschinellen Lernens im Kern von de la Fuentes Forschung funktionieren, indem sie die Beziehung zwischen der Aminosäuresequenz eines Peptids und seiner antimikrobiellen Aktivität erlernen. Trainiert auf Datenbanken bekannter antimikrobieller Peptide und ihrer Eigenschaften, entwickeln die Modelle ein Verständnis der strukturellen Merkmale, die die Aktivität gegen verschiedene Arten von Krankheitserregern vorhersagen. Sie können dann neue Sequenzen durchsuchen, ob aus alten Genomen, menschlichen Proteinen oder Umwelt-DNA, und die Wahrscheinlichkeit zuweisen, dass jeder Kandidat nützliche antimikrobielle Eigenschaften aufweist.
Der Umfang dieses rechnergestützten Ansatzes ist das, was ihn transformativ macht. Traditionelle Antibiotikaforschung könnte in einem Jahr ein paar tausend Verbindungen evaluieren. De la Fuentes KI-Systeme können Millionen von Kandidatensequenzen in Tagen analysieren und Hunderte von vielversprechenden Kandidaten zur Laborprüfung identifizieren. Diese dramatische Beschleunigung des Entdeckungsprozesses ist von entscheidender Bedeutung angesichts der Dringlichkeit der antimikrobiellen Resistenzkrise.
Sobald vielversprechende Kandidaten rechnergestützt identifiziert werden, synthetisiert das Team sie im Labor und testet sie gegen Panelen von arzneimittelresistenten Bakterien. Die Erfolgsquote war im Vergleich zu traditionellen Screening-Methoden bemerkenswert hoch und bestätigt die Fähigkeit der KI, echte antimikrobielle Verbindungen aus riesigen Datensätzen zu identifizieren. Diejenigen, die im Labor Aktivität zeigen, durchlaufen dann weitere Tests, um ihre Sicherheit und Wirksamkeit in Tiermodellen zu bewerten.
Von der Entdeckung zur Auswirkung
Die Herausforderung, rechnergestützte Entdeckungen in klinische Behandlungen zu übersetzen, bleibt erheblich. Wirkstoffentwicklung ist ein langer und teurer Prozess, und die wirtschaftlichen Anreize, die Pharmaunternehmen von Antibiotika abgewendet haben, bleiben größtenteils unverändert. De la Fuente ist lautstark für die Notwendigkeit neuer Finanzierungsmodelle eingetreten, einschließlich staatlich gestützter Pull-Anreize, die einen Markt für neue Antibiotika garantieren, um sicherzustellen, dass vielversprechende Entdeckungen nicht im Labor sterben.
Trotz dieser Herausforderungen stellt die Arbeit einen echten Grund für Optimismus in einem Bereich dar, der durch Pessimismus für Jahrzehnte definiert wurde. Durch den Nachweis, dass KI das Universum potenzieller Antibiotikaverbindungen dramatisch erweitern kann, hat de la Fuente eine Tür geöffnet, durch die andere Forscher nun gehen. Teams auf der ganzen Welt adoptieren ähnliche rechnergestützte Ansätze und schaffen eine wachsende globale Anstrengung, die möglicherweise endlich beginnt, die Lücke zwischen dem Aufkommen resistenter Infektionen und der Entwicklung neuer Medikamente zu ihrer Behandlung zu schließen.
Die Vision ist ehrgeizig, aber im Boden verankert mit echten Ergebnissen. Die Antibiotika der Zukunft könnten aus den Genomen von Arten stammen, die vor Jahrtausenden verschwunden sind, aus den Proteinen unserer eigenen Körper oder aus den riesigen metagenomischen Datenbanken, die die mikrobielle Vielfalt jeden Ökosystems der Erde katalogisieren. Dank künstlicher Intelligenz haben wir nun die Werkzeuge, um sie zu finden.
Dieser Artikel basiert auf Berichten von MIT Technology Review. Lesen Sie den Originalartikel.
