Tekoälyalgoritmit käytetään kehittämään lääkkeitä, jotka taistelevat lääkeresistenttejä bakteereja vastaan

Yksi suurimmista haasteista, jota lääketeollisuus kohtaa, ovat lääkeresistentit bakteerit. Tällä hetkellä arvioidaan, että noin 700 000 kuolemaa johtuu lääkeresistentistä bakteerista, ja lisää lääkeresistenttejä bakteereja kehittyy. Tutkijat ja insinöörit yrittävät kehittää uusia menetelmiä lääkeresistenttien bakteerien torjumiseksi. Yksi tapa kehittää uusia antibiootteja on käyttää tekoälyä ja koneoppimista uusien yhdisteiden eristämiseen, jotka voivat käsitellä uusia supervirusten kantoja.

SingularityHubin mukaan uusi antibiootti suunniteltiin tekoälyn avulla. Antibiootille on annettu nimi halicin, tekoäly HAL 2001: Avaruusseikkailusta. Uuden antibiootin osoittautui menestyksekkääksi joissakin virilissä superviruksissa. Uusi antibiootti löydettiin koneoppimisalgoritmien avulla. Nimenomaan koneoppimismalli koulutettiin suurella tietokannalla, joka koostui noin 2 500 yhdisteestä. Lähes puolet koulutusaineistona käytetyistä lääkkeistä oli jo FDA:n hyväksymiä lääkkeitä, kun taas toinen puoli koulutusjoukosta koostui luonnosta löytyvistä yhdisteistä. Tutkijaryhmä sääteli algoritmeja priorisoimaan molekyylejä, jotka samanaikaisesti omistivat antibioottisia ominaisuuksia, mutta erosivat olemassa olevien antibioottisten rakenteiden ominaisuuksista. He tarkastelivat tuloksia määrittääkseen, mitkä yhdisteet olisivat turvallisia ihmisten kuluttamiseen.

The Guardianin mukaan lääke osoittautui erittäin tehokkaaksi taistelussa lääkeresistenttejä bakteereja vastaan äskettäisessä tutkimuksessa. Se on niin tehokas, koska se hajottaa bakteerin kalvon, mikä estää bakteerin energiantuotannon. Bakteereiden kehittymiseen vastustuskykyä halicinia vastaan voisi kestää useita geneettisiä mutaatioita, mikä antaa halicinille pysyvyyttä. Tutkimusryhmä testasi myös, miten yhdiste suoriutui hiirissä, joissa se pystyi menestyksekkäästi puhdistamaan hiiret, jotka olivat infektioita, jotka olivat resistenttejä kaikille nykyisille antibiooteille. Tutkimuksen tulokset ollessa niin lupaavia, tutkimusryhmä toivoo pääsevänsä yhteistyöhön lääketeollisuuden kanssa ja osoittavansa lääkkeen turvallisuuden ihmisten käytölle.

James Collins, bioinsinööritieteen professori ja vanhempi tekijä MIT: ssä, ja Regina Barzilay, tietojenkäsittelytieteen professori MIT: ssä olivat molemmat vanhemmat tekijät tutkimusraportissa. Collins, Barzilay ja muut tutkijat toivovat, että heidän käyttämänsä algoritmit, kuten halicinin suunnittelussa käytetty, voivat auttaa nopeuttamaan uusien antibioottien löytymistä lääkeresistenttien tautien leviämisen torjumiseksi.

Halicin on kaukana ainoasta lääkeyhdisteestä, joka on löydetty tekoälyn avulla. Tutkijaryhmä, jota johtavat Collin ja Barzilay, haluavat mennä pidemmälle ja luoda uusia yhdisteitä kouluttamalla enemmän malleja noin 100 miljoonan molekyylin avulla, jotka on poimittu ZINC 15 -tietokannasta, verkkokirjastosta, joka sisältää yli 1,5 miljardia lääkeyhdistettä. Ryhmä on ilmoittanut jo löytäneensä vähintään 23 erilaista ehdokasta, jotka täyttävät kriteerit mahdollisesti turvallisena ihmisten käytölle ja rakenteellisesti erilaisena kuin nykyiset antibiootit.

Antibiooteilla on valitettavasti sivuvaikutuksia, kun ne tappavat haitallisia bakteereja, ne tappavat myös tarvittavat suolisto-bakteerit, joita ihmiskeho tarvitsee. Tutkijat toivovat, että he voivat käyttää samanlaisia tekniikoita kuin halicinin luomisessa luodakseen antibiootteja, joilla on vähemmän sivuvaikutuksia, lääkkeitä, jotka eivät vahingoita ihmisen suoliston mikrobiomeja.

Monet muut yritykset yrittävät myös käyttää koneoppimista yksinkertaistamaan monimutkaisen, pitkän ja usein kalliin lääkekehitysprosessin. Muita yrityksiä on myös koulutettu tekoälyalgoritmeja syntetisoimaan uusia lääkeyhdisteitä. Juuri äskettäin yksi yritys pystyi kehittämään todistuskonseptilääkkeen vain kuukauden ja puolen aikana, paljon lyhyemmässä ajassa kuin mitä perinteinen lääkkeen kehitys voi kestää.

Barzilay on optimistinen siitä, että tekoälyohjattujen lääkekehitysmenetelmien voidaan muuttaa lääkekehityksen maisemaan merkittävällä tavalla. Barzilay selitti, että työ halicinissa on käytännön esimerkki siitä, miten tehokkaita koneoppimismenetelmiä voidaan olla:

”On edelleen kysymys siitä, ovatko koneoppimistyökalut todella tehokkaita terveydenhuollossa ja miten voimme kehittää niitä lääketeollisuuden työkaluiksi. Tämä osoittaa, miten pitkälle voidaan sovittaa tätä työkalua.”