MIT-forskere brugte deep learning-modeller til at opdage den første nye klasse af antibiotika i årtier. De resulterende antibiotika kan vende strømmen mod lægemiddelresistente bakterier.
Da Alexander Fleming opdagede penicillin, verdens første antibiotikum, var han klar over de farer, der var forbundet med det.
I sin nobelpristale i 1945 sagde Fleming: "Så er der faren for, at den uvidende mand let kan underdosere sig selv og ved at udsætte sine mikrober for ikke-dødelige mængder af stoffet gøre dem resistente."
Efterhånden som nyere antibiotika blev udviklet, førte misbrug og forkerte recepter til, at de bakterier, de var rettet mod, gradvist blev resistente over for disse tidligere effektive lægemidler.
Det team, som Dr. Jim Collins leder på Collins-laboratoriet på MIT startede Antibiotics-AI Project tilbage i 2020 for at løse dette problem. Projektet har en syvårig plan om at udvikle syv nye klasser af antibiotika til behandling af syv af verdens mest dødbringende bakterielle patogener.
Deres indsats med maskinlæring er begyndt at give pote, da deres papir annoncerede deres opdagelse af en ny klasse af antibiotika, der kan dræbe methicillinresistente Staphylococcus aureus (MRSA)-bakterier. Medicinresistente MRSA-infektioner dræber op til 10.000 mennesker hvert år alene i USA.
Medicinalvirksomheder bruger ikke meget af deres forskning på antibiotika, fordi det ikke er så lukrativt som andre lægemidler. Det er også blevet stadig sværere at opdage nye antibiotika. AI har lige gjort det meget nemmere.
Modeller for dyb læring
Udfordringen med at skabe et nyt antibiotikum er, at der findes næsten uendeligt mange molekylære arrangementer, og det er svært at vide, hvilke af dem der vil dræbe en bestemt bakterie. For at gøre det endnu mere kompliceret skal forskerne sikre sig, at det nye stof heller ikke dræber sunde celler.
MIT-teamet oprettede en database med 39.000 forskellige forbindelser og deres virkning på Staphylococcus aureus. De indarbejdede også stoffernes cytotoksicitet ved at spore deres virkning på lever-, skeletmuskel- og lungeceller fra mennesker.
Oplysninger om forbindelsernes kemiske strukturer blev også føjet til datasættet, som derefter blev brugt til at træne en AI-model med dyb læring.
Baseret på det store datasæt var modellen i stand til at lære, hvilke kemiske strukturer der med størst sandsynlighed ville dræbe bakterierne og samtidig undgå skadelige virkninger på sunde celler.
Da AI-modellen var trænet, blev den brugt til at screene 12 millioner kommercielt tilgængelige stoffer. Modellen identificerede molekyler fra fem forskellige klasser, som den forudsagde ville dræbe MRSA-bakterierne.
Baseret på den betydeligt indsnævrede liste over kandidatforbindelser fik forskerne 280 forbindelser til at teste mod MRSA-bakterier dyrket i en laboratorieskål. Deres tests førte til opdagelsen af, at to af stofferne reducerede MRSA med en faktor 10.
Forklarlig AI
AI-modeller giver os ofte nyttige svar, men de kan være uigennemskuelige sorte bokse, der ikke giver os indsigt i, hvordan de når frem til svaret.
Felix Wong, postdoc ved MIT og Harvard og en af undersøgelsens hovedforfattere sammen med Erica Zheng, sagde: "Det, vi satte os for at gøre i denne undersøgelse, var at åbne den sorte boks. Disse modeller består af et meget stort antal beregninger, der efterligner neurale forbindelser, og ingen ved rigtig, hvad der foregår under motorhjelmen."
At forstå, hvad der fik modellen til at vælge de stoffer, den gjorde, ville give forskerne en bedre idé om, hvor de skal lede efter mere effektive lægemidler. Forskerholdet brugte en tilpasset Monte Carlo-træ-søgealgoritme til at få et indblik i deres deep learning-models beslutningsproces.
Dr. Collins forklarede: "Indsigten her var, at vi kunne se, hvad modellerne lærte for at komme med deres forudsigelser om, at visse molekyler ville være gode antibiotika."
Sammen med MIT havde forskningen også bidrag fra Broad Institute, Integrated Biosciences, Wyss Institute for Biologically Inspired Engineering og Leibniz Institute of Polymer Research i Dresden, Tyskland.
Brug af AI til at gennemgå millioner af potentielle kemiske arrangementer har en massiv indvirkning på opdagelse af lægemidler. For Collins Lab er det et tilfælde af 'en nede, seks tilbage', og det ser ud til, at deres syv år lange projekt kan have tid til overs.
