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

En av de största utmaningarna som den medicinska industrin står inför är antibiotikaresistenta bakterier. För närvarande beräknas det finnas cirka 700 000 dödsfall på grund av antibiotikaresistenta bakterier, och fler stammar av antibiotikaresistenta bakterier utvecklas. Forskare och ingenjörer försöker utveckla nya metoder för att bekämpa antibiotikaresistenta 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 superbakterier.

Som SingularityHub rapporterade, utvecklades ett nytt antibiotikum med hjälp av AI. Antibiotikumet har fått namnet halicin, efter AI:n HAL från filmen 2001: En rymdodyssé. Det nyligen utvecklade antibiotikumet visade sig vara framgångsrikt i att eliminera vissa av de farligaste superbakteriestammarna. 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 läkemedlen som användes för att träna modellen var läkemedel som redan godkänts av FDA, medan den andra hälften av träningsuppsättningen bestod av naturligt förekommande föreningar. Forskarteamet justerade algoritmerna för att prioritera molekyler som samtidigt hade antibiotiska egenskaper men som skilde sig från befintliga antibiotiska strukturer. De undersökte sedan resultaten för att bestämma vilka föreningar som skulle vara säkra för människor att konsumera.

Enligt The Guardian visade sig läkemedlet vara extremt effektivt i att bekämpa antibiotikaresistenta bakterier i en nyligen genomförd studie. Det är så effektivt för att det bryter ned bakteriernas cellmembran, vilket inaktiverar bakteriernas förmåga att producera energi. För att bakterier ska kunna utveckla försvar mot halicins effekter kan det ta mer än ett par genetiska mutationer, vilket ger halicin ett visst beständighet. Forskarteamet testade också hur föreningen fungerade hos möss, där den kunde eliminera möss som var infekterade med en bakteriestam som var resistent mot alla nuvarande antibiotika. Med tanke på studiens lovande resultat hoppas forskarteamet på att kunna gå i partnerskap med ett läkemedelsföretag och bevisa att läkemedlet är säkert för människor att använda.

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 snabba upp upptäckten av nya antibiotika för att hantera spridningen av antibiotikaresistenta bakteriestammar.

Halicin är långt ifrån det enda läkemedelsföreningen som upptäckts med hjälp av AI. Forskarteamet ledd av Collins 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 säkra för människor att använda och som har en struktur som skiljer sig 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 liknande tekniker som 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 processen att skapa läkemedel. 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 som det kan ta att skapa ett läkemedel på traditionellt sätt.

Barzilay är optimistisk om att AI-drivna metoder för läkemedelsupptäckt 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 hälso- och sjukvården, och hur vi kan utveckla dem till att bli arbetsdjur inom läkemedelsindustrin. Detta visar hur långt du kan anpassa detta verktyg.”