I ricercatori del MIT hanno utilizzato modelli di deep learning per scoprire la prima nuova classe di antibiotici in decenni. Gli antibiotici che ne derivano potrebbero ribaltare la situazione contro i batteri resistenti ai farmaci.
Quando Alexander Fleming scoprì la penicillina, il primo antibiotico al mondo, era consapevole dei pericoli associati.
Nel suo discorso di accettazione del Premio Nobel nel 1945, Fleming disse: "C'è poi il pericolo che l'uomo ignorante possa facilmente sottodosarsi ed esporre i suoi microbi a quantità non letali di farmaco, rendendoli resistenti".
Con lo sviluppo di nuovi antibiotici, l'uso improprio e le prescrizioni errate hanno fatto sì che i batteri a cui erano destinati diventassero gradualmente resistenti a questi farmaci precedentemente efficaci.
L'équipe che il dottor Jim Collins dirige alla Il laboratorio Collins del MIT ha avviato il progetto Antibiotics-AI nel 2020 per risolvere questo problema. Il progetto ha un piano settennale per sviluppare sette nuove classi di antibiotici per trattare sette degli agenti patogeni batterici più letali al mondo.
I loro sforzi nell'utilizzo dell'apprendimento automatico hanno iniziato a dare i loro frutti. la loro carta hanno annunciato la scoperta di una nuova classe di antibiotici in grado di uccidere i batteri dello Staphylococcus aureus meticillino-resistente (MRSA). Le infezioni da MRSA resistenti ai farmaci uccidono fino a 10.000 persone ogni anno solo negli Stati Uniti.
Le aziende farmaceutiche non indirizzano gran parte della loro ricerca sugli antibiotici perché non sono redditizi come altri farmaci. Inoltre, è diventato sempre più difficile scoprire nuovi antibiotici. L'intelligenza artificiale lo ha reso molto più facile.
Modelli di apprendimento profondo
La sfida di creare un nuovo antibiotico è che esistono quasi infinite disposizioni molecolari ed è difficile sapere quale di queste ucciderà uno specifico batterio. Per complicare le cose, i ricercatori devono assicurarsi che il nuovo composto non uccida anche le cellule sane.
Il team del MIT ha creato un database di 39.000 composti diversi e dei loro effetti sullo Staphylococcus aureus. Hanno anche incorporato la citotossicità dei composti monitorando gli effetti che hanno sulle cellule umane del fegato, del muscolo scheletrico e del polmone.
Al set di dati sono state aggiunte anche informazioni sulle strutture chimiche dei composti, che sono state poi utilizzate per addestrare un modello AI di deep learning.
Sulla base dell'ampio set di dati, il modello è stato in grado di apprendere quali strutture chimiche avevano maggiori probabilità di uccidere i batteri, evitando al contempo effetti negativi sulle cellule sane.
Una volta addestrato, il modello AI è stato utilizzato per esaminare 12 milioni di composti disponibili in commercio. Il modello ha identificato molecole di cinque classi diverse che, secondo le previsioni, avrebbero ucciso il batterio MRSA.
Sulla base di questo elenco significativamente ristretto di composti candidati, i ricercatori hanno ottenuto 280 composti da testare contro i batteri MRSA cresciuti in un piatto di laboratorio. I loro test hanno portato alla scoperta che due dei composti riducevano l'MRSA di 10 volte.
IA spiegabile
I modelli di intelligenza artificiale spesso ci danno risposte utili, ma possono essere delle imperscrutabili scatole nere, che non ci permettono di capire come arrivano alla risposta.
Felix Wong, postdoc al MIT e ad Harvard e uno degli autori principali dello studio insieme a Erica Zheng, ha dichiarato: "L'obiettivo di questo studio era aprire la scatola nera. Questi modelli sono costituiti da un numero molto elevato di calcoli che imitano le connessioni neurali, e nessuno sa davvero cosa succede sotto il cofano".
Capire che cosa ha portato il modello a selezionare i composti che ha scelto, darebbe ai ricercatori un'idea migliore di dove cercare farmaci più efficaci. Il team di ricerca ha utilizzato un algoritmo di ricerca ad albero Monte Carlo adattato per ottenere una visione del processo decisionale del modello di apprendimento profondo.
Il dottor Collins ha spiegato: "L'intuizione è stata quella di poter vedere cosa viene appreso dai modelli per fare le loro previsioni sul fatto che certe molecole sarebbero dei buoni antibiotici".
Oltre al MIT, alla ricerca hanno contribuito anche il Broad Institute, l'Integrated Biosciences, il Wyss Institute for Biologically Inspired Engineering e il Leibniz Institute of Polymer Research di Dresda, in Germania.
L'utilizzo dell'intelligenza artificiale per vagliare milioni di potenziali accordi chimici sta avendo un impatto massiccio su scoperta del farmaco. Per il Collins Lab è un caso di "uno in meno, sei in più" e sembra che il loro progetto settennale possa avere del tempo a disposizione.
