MIT-forskere brukte dyplæringsmodeller til å oppdage den første nye klassen av antibiotika på flere tiår. Antibiotikaen som ble utviklet, kan snu kampen mot resistente bakterier.
Da Alexander Fleming oppdaget penicillin, verdens første antibiotikum, var han klar over farene som var forbundet med det.
I Nobelpristalen i 1945 sa Fleming: "Så er det en fare for at den uvitende mann lett kan underdosere seg selv og gjøre mikrobene resistente ved å utsette dem for ikke-dødelige mengder av stoffet."
Etter hvert som nyere antibiotika ble utviklet, førte misbruk og feil forskrivning til at bakteriene de var rettet mot, gradvis ble resistente mot disse tidligere effektive medisinene.
Teamet som Dr. Jim Collins leder ved Collins-laboratoriet ved MIT startet Antibiotics-AI-prosjektet i 2020 for å løse dette problemet. Prosjektet har en sjuårsplan for å utvikle sju nye antibiotikaklasser for å behandle sju av verdens dødeligste bakteriepatogener.
Arbeidet med maskinlæring har begynt å gi resultater i form av avisen deres kunngjorde oppdagelsen av en ny klasse antibiotika som kan drepe meticillinresistente Staphylococcus aureus-bakterier (MRSA). Bare i USA dør opptil 10 000 mennesker hvert år av resistente MRSA-infeksjoner.
Legemiddelselskapene bruker ikke mye av sin forskning på antibiotika fordi det ikke er like lukrativt som andre legemidler. Det har også blitt stadig vanskeligere å finne nye antibiotika. Kunstig intelligens har nettopp gjort det mye enklere.
Modeller for dyp læring
Utfordringen med å lage et nytt antibiotikum er at det finnes nesten uendelig mange molekylære sammensetninger, og det er vanskelig å vite hvilken av dem som vil drepe en spesifikk bakterie. I tillegg må forskerne sørge for at den nye forbindelsen ikke dreper friske celler.
MIT-teamet opprettet en database med 39 000 ulike forbindelser og deres effekt på Staphylococcus aureus. De tok også med stoffenes cytotoksisitet ved å spore effekten de har på lever-, skjelettmuskel- og lungeceller fra mennesker.
Datasettet ble også tilført informasjon om forbindelsenes kjemiske strukturer, som deretter ble brukt til å trene opp en AI-modell for dyp læring.
Basert på det store datasettet kunne modellen lære hvilke kjemiske strukturer som med størst sannsynlighet ville drepe bakteriene og samtidig unngå skadelige effekter på friske celler.
Etter at AI-modellen var trent opp, ble den brukt til å screene 12 millioner kommersielt tilgjengelige forbindelser. Modellen identifiserte molekyler fra fem ulike klasser som den forutså ville drepe MRSA-bakterien.
Basert på denne listen over kandidatforbindelser, fikk forskerne 280 forbindelser som de testet mot MRSA-bakterier dyrket i en labskål. Testene førte til oppdagelsen av at to av forbindelsene reduserte MRSA med en faktor på 10.
Forklarlig AI
AI-modeller gir oss ofte nyttige svar, men de kan være uutgrunnelige svarte bokser som ikke gir oss innsikt i hvordan de kommer frem til svaret.
Felix Wong, postdoktor ved MIT og Harvard og en av studiens hovedforfattere sammen med Erica Zheng, sier: "Det vi forsøkte å gjøre i denne studien, var å åpne den svarte boksen. Disse modellene består av et veldig stort antall beregninger som etterligner nevrale forbindelser, og ingen vet egentlig hva som foregår under panseret."
Ved å forstå hva som fikk modellen til å velge de stoffene den gjorde, kan forskerne få en bedre idé om hvor de skal lete etter mer effektive legemidler. Forskerteamet brukte en tilpasset Monte Carlo-trealgoritme for å få et innblikk i beslutningsprosessen til den dyplærende modellen.
Dr. Collins forklarte: "Innsikten her var at vi kunne se hva modellene lærte for å kunne forutsi at visse molekyler ville være gode antibiotika."
I tillegg til MIT bidro også Broad Institute, Integrated Biosciences, Wyss Institute for Biologically Inspired Engineering og Leibniz Institute of Polymer Research i Dresden, Tyskland, til forskningen.
Bruken av kunstig intelligens til å sile gjennom millioner av potensielle kjemiske arrangementer har en enorm innvirkning på legemiddeloppdagelse. For Collins Lab er det "en ferdig, seks igjen", og det ser ut til at det sju år lange prosjektet deres kan ha tid til overs.
