AI-algoritmer brukes til å utvikle legemidler som bekjemper legemiddelresistente bakterier

En av de største utfordringene for medisinske industrien er legemiddelresistente bakterier. For tiden er det anslått at det er rundt 700 000 dødsfall på grunn av legemiddelresistente bakterier, og flere stammer av legemiddelresistente bakterier utvikler seg. Vitenskapsmenn og ingeniører prøver å utvikle nye metoder for å bekjempe legemiddelresistente bakterier. En metode for å utvikle nye antibiotika er å bruke kunstig intelligens og maskinlæring til å isolere nye forbindelser som kan håndtere nye stammer av super-bakterier.

Som SingularityHub rapporterte, ble en ny antibiotikum designet med hjelp av AI. Antibiotikumet har fått navnet halicin, etter AI-en HAL fra 2001: En romodyssé. Det nylig utviklede antibiotikumet viste seg å være effektivt i å eliminere noen av de mest aggressive super-bakterie-stammene. Det nye antibiotikumet ble oppdaget gjennom bruk av maskinlæringsalgoritmer. Spesifikt ble maskinlæringsmodellen trent med en stor datasett bestående av rundt 2 500 forbindelser. Nesten halvparten av legemidlene som ble brukt til å trene modellen var allerede godkjent av FDA, mens den andre halvparten av treningssettet bestod av naturlig forekommende forbindelser. Forskerlaget justerte algoritmene for å prioritere molekyler som samtidig hadde antibiotiske egenskaper, men forskjellige fra eksisterende antibiotiske strukturer. De undersøkte deretter resultater for å bestemme hvilke forbindelser som ville være trygge for menneskeforbruk.

Ifølge The Guardian viste legemidlet seg å være ekstremt effektivt i å bekjempe legemiddelresistente bakterier i en nylig studie. Det er så effektivt fordi det bryter ned bakteriernes membran, som deaktiverer bakteriernes evne til å produsere energi. For at bakterier skal kunne utvikle forsvar mot halicins effekter, kan det ta mer enn noen få genetiske mutasjoner, noe som gir halicin varighet. Forskningslaget testet også hvordan stoffet fungerte hos mus, hvor det klarte å rense mus som var infisert med en bakteriestamme som var resistent mot alle nåværende antibiotika. Med tanke på studienes løftende resultater, håper forskningslaget å gå i partnerskap med en farmasøytisk enhet og bevise at legemidlet er trygt for menneskelig bruk.

James Collins, professor i bioingeniør og senior forfatter ved MIT, og Regina Barzilay, professor i datavitenskap ved MIT, var begge seniorforfattere på artikkelen. Collins, Barzilay og andre forskere håper at algoritmer som den de brukte til å designe halicin kan hjelpe med å raske opp oppdagelsen av nye antibiotika for å håndtere spredningen av legemiddelresistente stammer av sykdommen.

Halicin er langt ifra det eneste legemiddelstoffet som er oppdaget med hjelp av AI. Forskningslaget ledet av Collin og Barzilay ønsker å gå lenger og skape nye forbindelser ved å trene flere modeller med rundt 100 millioner molekyler hentet fra ZINC 15-databasen, en online-bibliotek med over 1,5 milliarder legemiddel-forbindelser. Ifølge rapporter har laget allerede funnet minst 23 forskjellige kandidater som tilfredsstiller kriteriene for å være mulig trygg for menneskelig bruk og strukturert forskjellig fra nåværende antibiotika.

En uheldig bivirkning av antibiotika er at de, mens de dreper skadelige bakterier, også dreper nødvendige tarmbakterier som menneskekroppen trenger. Forskningslaget håper at de kan bruke lignende teknikker som de som ble brukt til å skape halicin til å skape antibiotika med færre bivirkninger, legemidler som er mindre sannsynlige til å skade menneske-kroppens tarmmikrobiom.

Mange andre selskaper prøver også å bruke maskinlæring til å forenkle den komplekse, lange og ofte dyre prosessen med å utvikle legemidler. Andre selskaper har også trent AI-algoritmer til å syntetisere nye legemiddel-forbindelser. For nylig klarte et selskap å utvikle et proof-of-concept-legemiddel på bare en og en halv måned, en mye kortere tid enn de måneder eller år det kan ta å utvikle et legemiddel på den tradisjonelle måten.

Barzilay er optimistisk når det gjelder at AI-drevne metoder for legemiddeloppdagelse kan transformere landskapet for legemiddeloppdagelse på meningsfulle måter. Barzilay forklarte at arbeidet med halicin er et praktisk eksempel på hvor effektive maskinlærings-teknikker kan være:

“Det er fortsatt et spørsmål om hvorvidt maskinlæringsverktøy virkelig gjør noe intelligent i helsevesenet, og hvordan vi kan utvikle dem til å bli arbeidshester i legemiddelindustrien. Dette viser hvor langt du kan tilpasse dette verktøyet.”