AIが絶滅ゲノムで新しい抗生物質を探索する

新しいアプローチを求める危機

世界は有効な抗生物質が不足しており、その結果はすでに人命で測定されています。抗菌薬耐性は、細菌や他の病原体がそれらを殺すために設計された医薬品に対する防御を進化させる能力であり、毎年推定127万人の命を奪い、世界中でほぼ500万人の死亡に寄与しています。新しい抗生物質医薬品のパイプラインは数十年前のほんの一部に減速しており、製薬企業は研究投資をより利益の高い治療領域にシフトさせています。この増加する危機に登場したのが、ペンシルベニア大学の科学者セサル・デ・ラ・フエンテで、彼は抗生物質がどこから来るのか、そしてどのように発見されるのかを根本的に想像し直しています。

デ・ラ・フエンテのアプローチは医薬品発見におけるパラダイムシフトを表しています。土壌サンプルと微生物培養を抗菌活性についてスクリーニングするという伝統的な方法に従うのではなく、その方法は20世紀半ばの黄金期以来減少するリターンをもたらしてきたため、彼は人工知能に頼って人間の研究者が手動で分析できない広大な生物学的データベースを探索しています。結果は驚くべきもので、誰も見ようと思わなかった場所に隠された潜在的な抗生物質化合物を明らかにしています。

絶滅した生物のゲノムの採掘

デ・ラ・フエンテの最も顕著な研究方向の1つは、絶滅した生物のゲノムで抗菌ペプチドを探索することに関わっています。抗生物質活性に関連する構造的特性を認識するために訓練された機械学習アルゴリズムを使用して、彼のチームはネアンデルタール人、デニソワ人、および他の古代ホモニンの再構築された遺伝子配列を分析しました。AIは現代の耐性菌に対して本物の抗菌活性を示した合成ペプチドを特定しました。

この概念は優雅でありながら挑発的です。これらの古代の生物は数十万年の自然選択で抗菌防御を進化させましたが、関連する特定のペプチドは種が絶滅したときに科学から失われました。AIを使用して再構築されたゲノムでこれらの化合物を特定することにより、デ・ラ・フエンテは実質的に永遠に失われたと考えられていた医学的知識を復活させています。これは計算ツールを使用して深い過去から医学的価値を抽出する分子考古学の一形態です。

このアプローチは関数に限定されていません。デ・ラ・フエンテのチームは検索をマンモスのゲノム、古代の海洋生物、および他の絶滅した種に拡張し、各種は独自の進化系統を表し、独特の作用メカニズムを持つ抗菌化合物を開発した可能性があります。情報源の多様性は戦略的な利点です。バクテリアは決して遭遇したことのない化合物に対して既に存在する抵抗を持つ可能性が低くなるためです。

薬局としての人体

並行した研究方向では、デ・ラ・フエンテはAIの注意を内側に向けており、人体自身によって生成されるタンパク質とペプチドを検査しています。人間のプロテオームには、構造的サポートから免疫防御まで、広範囲の生物学的機能を果たす数千のタンパク質が含まれています。機械学習モデルでこれらのタンパク質を分析することにより、彼のチームは抗菌特性を示しながら、潜在的な医薬品候補として認識されなかった断片を特定しました。

この発見は深刻な影響を与えます。有効な抗生物質が人間のタンパク質から派生することができる場合、それは生物相容性および副作用の減少の観点から利点を提供する可能性があります。免疫システムは既に感染に対する最初の防御線の一部として抗菌ペプチドを使用しています。デ・ラ・フエンテの仕事は、身体が識別され、治療薬に開発されるのを待つ、以前に評価されていなかった抗菌化合物のはるかに大きな兵器庫を含む可能性があることを示唆しています。

AIがどのように機能するか

デ・ラ・フエンテの研究の中心にある機械学習システムは、ペプチドのアミノ酸配列とその抗菌活性の関係を学習することで動作します。既知の抗菌ペプチドとそのプロパティのデータベースで訓練されたモデルは、異なるタイプの病原体に対する活性を予測する構造的特性の理解を開発します。その後、古代ゲノム、人間のタンパク質、または環境DNAから新しい配列をスキャンして、各候補が有用な抗菌特性を持つ確率を割り当てることができます。

この計算アプローチのスケールはそれを変革するのに役立つものです。従来の抗生物質スクリーニングは、1年に数千の化合物を評価する可能性があります。デ・ラ・フエンテのAIシステムは、わずか数日で数百万の候補配列を分析し、実験室テストの数百の有望なリードを特定できます。発見プロセスのこの劇的な加速は、抗菌薬耐性危機の緊急性を考えると重要です。

有望な候補が計算的に特定されると、チームは実験室でそれらを合成し、耐性菌のパネルに対してテストします。ヒット率は従来のスクリーニング方法と比較して非常に高く、AIの莫大なデータセットから本物の抗菌化合物を特定する能力を検証しています。ラボで活動を示したものは、動物モデルでそれらの安全性と有効性を評価するためにさらにテストに進みます。

発見から影響へ

計算発見を臨床治療に翻訳することの課題は重要なままです。医薬品開発は長く高価なプロセスであり、製薬企業を抗生物質から遠ざけてきた経済的インセンティブはほぼ変わっていません。デ・ラ・フエンテは、新しい抗生物質の市場を保証する政府が支援するプルインセンティブを含む新しい資金調達モデルの必要性について声をあげています。有望な発見がラボで死なないようにするため。

これらの課題にもかかわらず、この仕事は数十年間ペシミズムによって定義されてきた分野で本当の楽観的理由を表しています。AIが抗生物質化合物の潜在的な宇宙を劇的に拡大できることを実証することにより、デ・ラ・フエンテは他の研究者が現在歩いているドアを開きました。世界中のチームは同様の計算アプローチを採用しており、耐性感染症の出現と治療するための新しい薬の開発の間のギャップを閉じ始める可能性のある成長する世界的な取り組みを創出しています。

ビジョンは野心的ですが、実際の結果に基づいています。将来の抗生物質は、数千年前に消えた種のゲノムから、私たち自身の身体のタンパク質から、またはあらゆるエコシステムの微生物多様性を識別する広大なメタゲノムデータベースから来るかもしれません。人工知能のおかげで、私たちは今彼らを見つけるためのツールを持っています。

この記事はMIT Technology Reviewの報告に基づいています。元の記事を読む。