AI-algoritmer används för att utveckla läkemedel som bekämpar läkemedelsresistenta bakterier

En av de största utmaningarna som den medicinska industrin står inför är läkemedelsresistenta bakterier. För närvarande beräknas det finnas cirka 700 000 dödsfall på grund av läkemedelsresistenta bakterier, och fler stammar av läkemedelsresistenta bakterier utvecklas. Forskare och ingenjörer försöker utveckla nya metoder för att bekämpa läkemedelsresistenta bakterier. En metod för att utveckla nya antibiotika är att använda artificiell intelligens och maskinlärning för att isolera nya föreningar som kan hantera nya stammar av super-bakterier.

Som SingularityHub rapporterade, designades ett nytt antibiotikum med hjälp av AI. Antibiotikumet har fått namnet halicin, efter AI HAL från 2001: A Space Odyssey. Det nyligen utvecklade antibiotikumet visade sig vara framgångsrikt i att eliminera vissa av de virila super-bakterierna. Det nya antibiotikumet upptäcktes genom användning av maskinlärningsalgoritmer. Specifikt tränades maskinlärningsmodellen med hjälp av en stor dataset som bestod av cirka 2 500 föreningar. Nästan hälften av de läkemedel som användes för att träna modellen var läkemedel som redan godkänts av FDA, medan den andra hälften av träningssättet bestod av naturligt förekommande föreningar. Forskarteamet justerade algoritmerna för att prioritera molekyler som samtidigt besatt antibiotiska egenskaper men skilde sig från befintliga antibiotiska strukturer. De undersökte sedan resultaten för att avgöra vilka föreningar som skulle vara säkra för mänsklig konsumtion.

Enligt The Guardian, visade sig läkemedlet vara extremt effektivt i att bekämpa läkemedelsresistenta bakterier i en nyligen genomförd studie. Det är så effektivt eftersom det bryter ned bakteriernas membran, vilket inaktiverar bakteriernas förmåga att producera energi. För att bakterier ska kunna utveckla försvar mot halicins effekter kan det ta mer än några genetiska mutationer, vilket ger halicin uthållighet. Forskarteamet testade också hur föreningen fungerade på möss, där den kunde framgångsrikt rensa möss som var infekterade med en stam av bakterier som var resistenta mot alla nuvarande antibiotika. Med tanke på de lovande resultaten från studierna hoppas forskarteamet på att gå in i ett partnerskap med ett farmaceutiskt företag och bevisa att läkemedlet är säkert för användning av människor.

James Collins, professor i bioingenjörskap och senior författare vid MIT, och Regina Barzilay, professor i datavetenskap vid MIT, var båda seniora författare till artikeln. Collins, Barzilay och andra forskare hoppas att algoritmer som den de använde för att utveckla halicin kan hjälpa till att påskynda upptäckten av nya antibiotika för att hantera spridningen av läkemedelsresistenta stammar av sjukdomen.

Halicin är långt ifrån det enda läkemedelsföreningen som upptäckts med hjälp av AI. Forskarteamet ledd av Collin och Barzilay vill gå längre och skapa nya föreningar genom att träna fler modeller med hjälp av cirka 100 miljoner molekyler från ZINC 15-databasen, en onlinebibliotek med över 1,5 miljarder läkemedelsföreningar. Enligt rapporter har teamet redan lyckats hitta minst 23 olika kandidater som uppfyller kriterierna för att vara möjligtvis säkra för mänsklig användning och strukturellt olika från nuvarande antibiotika.

En olycklig bieffekt av antibiotika är att de, medan de dödar skadliga bakterier, också dödar den nödvändiga tarmbakterien som den mänskliga kroppen behöver. Forskarna hoppas att de kan använda tekniker liknande de som användes för att skapa halicin för att skapa antibiotika med färre bieffekter, läkemedel som är mindre benägna att skada den mänskliga tarmmikrobiomen.

Många andra företag försöker också använda maskinlärning för att förenkla den komplexa, långa och ofta dyra läkemedelsutvecklingsprocessen. Andra företag har också tränat AI-algoritmer för att syntetisera nya läkemedelsföreningar. Nyligen lyckades ett företag utveckla ett bevis för ett läkemedel på bara en och en halv månad, en mycket kortare tid än de månader eller till och med år det kan ta att skapa ett läkemedel på det traditionella sättet.

Barzilay är optimistisk om att AI-drivna läkemedelsupptäcktsmetoder kan förändra landskapet för läkemedelsupptäckt på meningsfulla sätt. Barzilay förklarade att arbetet med halicin är ett praktiskt exempel på hur effektiva maskinlärningstekniker kan vara:

”Det finns fortfarande en fråga om huruvida maskinlärningsverktyg verkligen gör något intelligent inom hälsovården, och hur vi kan utveckla dem till att bli arbetsdjur inom läkemedelsindustrin. Detta visar hur långt du kan anpassa det här verktyget.”