MIT-Forscher haben mithilfe von Deep-Learning-Modellen die erste neue Klasse von Antibiotika seit Jahrzehnten entdeckt. Die daraus resultierenden Antibiotika könnten das Blatt im Kampf gegen arzneimittelresistente Bakterien wenden.
Als Alexander Fleming das Penicillin, das erste Antibiotikum der Welt, entdeckte, war er sich der damit verbundenen Gefahren bewusst.
In seiner Rede zur Verleihung des Nobelpreises im Jahr 1945 sagte Fleming: "Dann besteht die Gefahr, dass der unwissende Mensch sich leicht unterdosiert und seine Mikroben durch die Exposition gegenüber nicht tödlichen Mengen des Medikaments resistent macht."
Als neuere Antibiotika entwickelt wurden, führten Missbrauch und falsche Verschreibungen dazu, dass die Bakterien, gegen die sie gerichtet waren, allmählich resistent gegen diese zuvor wirksamen Medikamente wurden.
Das Team, das Dr. Jim Collins bei Das Collins-Labor am MIT haben im Jahr 2020 das Antibiotika-AI-Projekt ins Leben gerufen, um dieses Problem anzugehen. Das Projekt hat einen Sieben-Jahres-Plan zur Entwicklung von sieben neuen Antibiotika-Klassen zur Behandlung von sieben der weltweit tödlichsten bakteriellen Krankheitserreger.
Ihre Bemühungen im Bereich des maschinellen Lernens haben begonnen, sich auszuzahlen, da ihr Papier gaben ihre Entdeckung einer neuen Klasse von Antibiotika bekannt, die Methicillin-resistente Staphylococcus aureus (MRSA)-Bakterien abtöten können. An arzneimittelresistenten MRSA-Infektionen sterben allein in den USA jedes Jahr bis zu 10.000 Menschen.
Pharmazeutische Unternehmen forschen nur wenig auf dem Gebiet der Antibiotika, weil es nicht so lukrativ ist wie andere Medikamente. Es ist auch immer schwieriger geworden, neue Antibiotika zu entdecken. Die künstliche Intelligenz hat es gerade viel einfacher gemacht.
Modelle für tiefes Lernen
Die Herausforderung bei der Entwicklung eines neuen Antibiotikums besteht darin, dass es nahezu unendlich viele molekulare Anordnungen gibt und es schwer zu wissen ist, welche davon ein bestimmtes Bakterium abtöten wird. Erschwerend kommt hinzu, dass die Forscher sicherstellen müssen, dass die neue Verbindung auch keine gesunden Zellen tötet.
Das MIT-Team erstellte eine Datenbank mit 39.000 verschiedenen Verbindungen und ihren Auswirkungen auf Staphylococcus aureus. Sie berücksichtigten auch die Zytotoxizität der Verbindungen, indem sie ihre Auswirkungen auf menschliche Leber-, Skelettmuskel- und Lungenzellen verfolgten.
Dem Datensatz wurden auch Informationen über die chemischen Strukturen der Verbindungen hinzugefügt, die dann zum Trainieren eines Deep-Learning-KI-Modells verwendet wurden.
Auf der Grundlage des großen Datensatzes konnte das Modell lernen, welche chemischen Strukturen die Bakterien am ehesten abtöten und gleichzeitig nachteilige Auswirkungen auf gesunde Zellen vermeiden.
Nach dem Training wurde das KI-Modell zum Screening von 12 Millionen im Handel erhältlichen Verbindungen verwendet. Das Modell identifizierte Moleküle aus fünf verschiedenen Klassen, von denen es vorhersagte, dass sie die MRSA-Bakterien abtöten würden.
Auf der Grundlage dieser deutlich eingegrenzten Liste von Kandidatenverbindungen erhielten die Forscher 280 Verbindungen, die sie gegen in einer Laborschale gezüchtete MRSA-Bakterien testeten. Ihre Tests führten zu der Entdeckung, dass zwei der Verbindungen MRSA um das Zehnfache reduzierten.
Erklärbare AI
KI-Modelle geben uns oft nützliche Antworten, aber sie können undurchschaubare Blackboxen sein, die uns keinen Einblick geben, wie sie zu der Antwort kommen.
Felix Wong, Postdoktorand am MIT und in Harvard und zusammen mit Erica Zheng einer der Hauptautoren der Studie, sagte: "Wir wollten mit dieser Studie die Blackbox öffnen. Diese Modelle bestehen aus einer sehr großen Anzahl von Berechnungen, die neuronale Verbindungen nachahmen, und niemand weiß wirklich, was unter der Haube vor sich geht".
Wenn man versteht, warum das Modell die Verbindungen auswählt, die es ausgewählt hat, können die Forscher besser erkennen, wo sie nach wirksameren Medikamenten suchen müssen. Das Forschungsteam verwendete einen angepassten Monte-Carlo-Baum-Suchalgorithmus, um einen Einblick in den Entscheidungsprozess ihres Deep-Learning-Modells zu erhalten.
Dr. Collins erklärte: "Die Erkenntnis hier war, dass wir sehen konnten, was die Modelle lernten, um ihre Vorhersagen zu treffen, dass bestimmte Moleküle gute Antibiotika sein würden."
Neben dem MIT waren auch das Broad Institute, Integrated Biosciences, das Wyss Institute for Biologically Inspired Engineering und das Leibniz-Institut für Polymerforschung in Dresden an der Forschung beteiligt.
Der Einsatz von KI zur Durchsicht von Millionen potenzieller chemischer Verbindungen hat massive Auswirkungen auf die Arzneimittelentdeckung. Für das Collins-Labor heißt es: "Einer ist geschafft, sechs stehen noch aus", und es sieht so aus, als ob das siebenjährige Projekt noch Zeit hat.
