Eine neue Klasse von Antibiotika gegen arzneimittelresistente Staphylococcus aureus (MRSA)-Bakterien, die mithilfe transparenterer Deep-Learning-Modelle entdeckt wurde.
Der Einsatz künstlicher Intelligenz (KI) erweist sich in der Medizin als bahnbrechend, da die Technologie Wissenschaftlern nun dabei hilft, die ersten neuen Antibiotika seit 60 Jahren freizuschalten.
Die Entdeckung einer neuen Verbindung, die ein arzneimittelresistentes Bakterium abtöten kann, das jedes Jahr weltweit Tausende tötet, könnte sich als Wendepunkt im Kampf gegen Antibiotikaresistenzen erweisen.
„Die Erkenntnis hier war, dass wir sehen konnten, was die Modelle gelernt haben, um ihre Vorhersagen zu treffen, dass bestimmte Moleküle gute Antibiotika ergeben würden“, sagte James Collins, Professor für Medizintechnik und Wissenschaft am Massachusetts Institute of Technology (MIT). der Autoren der Studie, sagte in einer Erklärung.
„Unsere Arbeit bietet einen Rahmen, der zeiteffizient, ressourceneffizient und vom Standpunkt der chemischen Struktur aus mechanistisch aufschlussreich ist, wie wir es bisher nicht hatten.“
Die Ergebnisse wurden heute in veröffentlicht Natur und von einem Team von 21 Forschern gemeinsam verfasst.
Studie zielte darauf ab, „die Black Box zu öffnen“
Das Team hinter dem Projekt nutzte ein Deep-Learning-Modell, um die Aktivität und Toxizität der neuen Verbindung vorherzusagen.
Beim Deep Learning werden künstliche neuronale Netze eingesetzt, um ohne explizite Programmierung automatisch Merkmale aus Daten zu lernen und darzustellen.
Es wird zunehmend in der Arzneimittelforschung eingesetzt, um die Identifizierung potenzieller Arzneimittelkandidaten zu beschleunigen, ihre Eigenschaften vorherzusagen und den Arzneimittelentwicklungsprozess zu optimieren.
In diesem Fall konzentrierten sich die Forscher auf Methicillin-resistenten Staphylococcus aureus (MRSA).
Infektionen mit MRSA können von leichten Hautinfektionen bis hin zu schwerwiegenderen und möglicherweise lebensbedrohlichen Erkrankungen wie Lungenentzündung und Blutkreislaufinfektionen reichen.
In der Europäischen Union kommt es jedes Jahr zu fast 150.000 MRSA-Infektionen Laut dem Europäischen Zentrum für die Prävention und die Kontrolle von Krankheiten (ECDC) sterben in der Region jährlich fast 35.000 Menschen an antimikrobiell resistenten Infektionen.
Das MIT-Forscherteam trainierte ein umfassend erweitertes Deep-Learning-Modell unter Verwendung erweiterter Datensätze.
Zur Erstellung der Trainingsdaten wurden etwa 39.000 Verbindungen auf ihre antibiotische Wirkung gegen MRSA untersucht. Anschließend wurden sowohl die resultierenden Daten als auch Details zu den chemischen Strukturen der Verbindungen in das Modell eingegeben.
„Wir wollten mit dieser Studie die Black Box öffnen. Diese Modelle bestehen aus einer sehr großen Anzahl von Berechnungen, die neuronale Verbindungen nachahmen, und niemand weiß wirklich, was unter der Haube vor sich geht“, sagte Felix Wong, ein Postdoktorand am MIT und Harvard und einer der Hauptautoren der Studie.
Eine neue Verbindung entdecken
Um die Auswahl potenzieller Medikamente zu verfeinern, setzten die Forscher drei zusätzliche Deep-Learning-Modelle ein. Diese Modelle wurden trainiert, um die Toxizität von Verbindungen auf drei verschiedene Arten menschlicher Zellen zu beurteilen.
Durch die Integration dieser Toxizitätsvorhersagen mit der zuvor ermittelten antimikrobiellen Aktivität identifizierten die Forscher Verbindungen, die in der Lage sind, Mikroben wirksam zu bekämpfen und dabei den menschlichen Körper nur minimal zu schädigen.
Mit diesem Modellsatz wurden etwa 12 Millionen kommerziell erhältliche Verbindungen gescreent.
Die Modelle identifizierten Verbindungen aus fünf verschiedenen Klassen, die auf der Grundlage spezifischer chemischer Unterstrukturen innerhalb der Moleküle kategorisiert wurden und die vorhergesagte Aktivität gegen MRSA zeigten.
Anschließend erwarben die Forscher rund 280 dieser Verbindungen und führten im Labor Tests gegen MRSA durch. Dieser Ansatz führte dazu, dass sie zwei vielversprechende Antibiotikakandidaten derselben Klasse identifizierten.
In Experimenten mit zwei Mausmodellen – eines für MRSA-Hautinfektionen und eines für systemische MRSA-Infektionen – reduzierte jede dieser Verbindungen die MRSA-Population um den Faktor 10.
