AI-algoritmer bruges til at udvikle lægemidler, der kæmper mod lægemiddelresistente bakterier

En af de største udfordringer, som den medicinske industri står over for, er lægemiddelresistente bakterier. For tiden er der anslået 700.000 dødsfald på grund af lægemiddelresistente bakterier, og der udvikles flere stammer af lægemiddelresistente bakterier. Videnskabsmænd og ingeniører forsøger at udvikle nye metoder til at bekæmpe lægemiddelresistente bakterier. En metode til at udvikle nye antibiotika er at anvende kunstig intelligens og maskinlæring til at isolere nye forbindelser, der kan håndtere nye stammer af super-bakterier.

Som SingularityHub rapporterede, blev et nyt antibiotikum designet med assistance fra AI. Antibiotikummet er blevet navngivet halicin, efter AI HAL fra 2001: A Space Odyssey. Det nyligt udviklede antibiotikum viste sig at være succesfuldt i at eliminere nogle af de virile super-bakterie-stammer. Det nye antibiotikum blev opdaget gennem brugen af maskinlæring-algoritmer. Specifikt blev maskinlæring-modellen trænet med en stor dataset, der bestod af ca. 2.500 forbindelser. Næsten halvdelen af de lægemidler, der blev brugt til at træne modellen, var lægemidler, der allerede var godkendt af FDA, mens den anden halvdel af træningsmængden bestod af naturligt forekommende forbindelser. Forskerholdet justerede algoritmerne for at prioritere molekyler, der samtidig besad antibiotiske egenskaber, men var forskellige fra eksisterende antibiotika-strukturer. De undersøgte derefter resultaterne for at bestemme, hvilke forbindelser, der ville være sikre for menneskeforbrug.

Ifølge The Guardian, viste lægemidlet sig at være ekstremt effektivt til at bekæmpe lægemiddelresistente bakterier i en ny studie. Det er så effektivt, fordi det nedbryder bakteriens membran, hvilket inaktiverer bakteriens evne til at producere energi. For bakterier at udvikle forsvar mod halicins effekter kunne tage mere end få genetiske mutationer, hvilket giver halicin en varig effekt. Forskerholdet testede også, hvordan stoffet fungerede hos mus, hvor det kunne eliminere mus, der var inficeret med en stamme af bakterier, der var resistente over for alle nuværende antibiotika. Med resultaterne fra studierne så lovende, håber forskerholdet at gå i partnerskab med en farmaceutisk enhed og bevise, at lægemidlet er sikkert for menneskebrug.

James Collins, professor i bioingeniørvidenskab og senior forfatter på MIT, og Regina Barzilay, professor i datalogi på MIT, var begge seniorforfattere på artiklen. Collins, Barzilay og andre forskere håber, at algoritmer som den type, de brugte til at designe halicin, kunne hjælpe med at fremskynde opdagelsen af nye antibiotika til at tackle udbredelsen af lægemiddelresistente stammer af sygdommen.

Halicin er langt fra det eneste lægemiddel, der er opdaget med brug af AI. Forskerholdet ledet af Collin og Barzilay vil gå videre og skabe nye forbindelser ved at træne flere modeller med omkring 100 millioner molekyler trukket fra ZINC 15-databasen, en online-bibliotek med over 1,5 milliarder lægemiddel-forbindelser. Ifølge rapporten har holdet allerede fundet mindst 23 forskellige kandidater, der opfylder kriterierne for at være muligvis sikre for menneskebrug og strukturelt forskellige fra nuværende antibiotika.

En uheldig bivirkning af antibiotika er, at de, selvom de dræber skadelige bakterier, også dræber de nødvendige tarmbakterier, som den menneskelige krop har brug for. Forskerne håber, at de kan bruge teknikker lignende dem, der blev brugt til at skabe halicin, til at skabe antibiotika med færre bivirkninger, lægemidler, der er mindre sandsynlige for at skade den menneskelige tarmmikrobiom.

Mange andre virksomheder forsøger også at bruge maskinlæring til at simplificere den komplekse, lange og ofte dyre lægemiddel-skabningsproces. Andre virksomheder har også trænet AI-algoritmer til at syntetisere nye lægemiddel-forbindelser. For nylig kunne en virksomhed udvikle et proof-of-concept-lægemiddel på kun en måned og en halv, en langt kortere tid end de måneder eller endda år, det kan tage at skabe et lægemiddel på den traditionelle måde.

Barzilay er optimistisk om, at AI-drevne lægemiddel-opdagelsesmetoder kan forandre landskabet for lægemiddel-opdagelse på meningsfulde måder. Barzilay forklarede, at arbejdet med halicin er et praktisk eksempel på, hvor effektive maskinlærings-teknikker kan være:

“Der er stadig en tvivl om, hvorvidt maskinlæringsværktøjer virkelig gør noget intelligent i sundhedssektoren, og hvordan vi kan udvikle dem til at være arbejdskraft i lægemiddelindustrien. Dette viser, hvor langt du kan tilpasse dette værktøj.”