(Callista Images/Bildquelle/Getty Images) Stellen Sie sich vor, Sie wären ein Fossilienjäger. Sie verbringen Monate damit, in der Hitze Arizonas Knochen auszugraben, und stellen dann fest, dass das, was Sie gefunden haben, von einem zuvor entdeckten Knochen stammt Dinosaurier .
So verlief die Suche nach Antibiotika in letzter Zeit. Die relativ wenigen Antibiotika-Jäger da draußen Ich finde immer wieder die gleichen Arten von Antibiotika .
Angesichts der rasanten Zunahme der Arzneimittelresistenzen bei vielen Krankheitserregern werden dringend neue Antibiotika benötigt. Es kann sein, dass es nur eine Frage der Zeit ist, bis es soweit ist Eine Wunde oder ein Kratzer wird lebensbedrohlich .
Dennoch sind in letzter Zeit nur wenige neue Antibiotika auf den Markt gekommen, und selbst diese sind nur geringfügige Varianten alter Antibiotika.
Während die Aussichten düster aussehen, ist die jüngste Revolution in künstliche Intelligenz (KI) bietet neue Hoffnung. In einer am 20. Februar in der Zeitschrift Cell veröffentlichten Studie haben Wissenschaftler des MIT und Harvard nutzte eine Art KI namens Deep Learning, um neue Antibiotika zu entdecken .
Die traditionelle Methode zur Entdeckung von Antibiotika – aus Erde oder Pflanzenextrakten – hat keine neuen Kandidaten hervorgebracht, und es gibt viele soziale und wirtschaftliche Hürden auch dieses Problem zu lösen.
Einige Wissenschaftler haben kürzlich versucht, dem Problem entgegenzuwirken, indem sie die DNA von Bakterien nach neuen Erkenntnissen durchsuchten Antibiotika produzierende Gene . Andere suchen nach Antibiotika an exotischen Orten wie z in unserer Nase .
Medikamente, die mit solch unkonventionellen Methoden gefunden werden, haben einen steinigen Weg vor sich, um auf den Markt zu kommen. Die Medikamente, die in einer Petrischale wirksam sind, wirken im Körper möglicherweise nicht gut.
Sie werden möglicherweise nicht gut aufgenommen oder können Nebenwirkungen haben. Auch die Herstellung dieser Medikamente in großen Mengen stellt eine große Herausforderung dar.
Tiefes Lernen
Betreten Sie Deep Learning. Diese Algorithmen basieren auf vielen heutigen Gesichtserkennungssystemen und selbstfahrenden Autos. Sie ahmen die Funktionsweise von Neuronen in unserem Gehirn nach, indem sie Muster in Daten lernen.
Ein einzelnes künstliches Neuron könnte – wie ein Minisensor – einfache Muster wie Linien oder Kreise erkennen. Durch den Einsatz Tausender dieser künstlichen Neuronen kann Deep-Learning-KI äußerst komplexe Aufgaben wie das Erkennen von Katzen in Videos oder das Erkennen von Tumoren ausführen Biopsiebilder .
Angesichts ihrer Leistungsfähigkeit und ihres Erfolgs überrascht es vielleicht nicht, dass Forscher auf der Suche nach neuen Medikamenten auf Deep-Learning-KI setzen. Doch die Entwicklung einer KI-Methode zur Entdeckung neuer Medikamente ist keine triviale Aufgabe. Dies liegt zum großen Teil daran, dass es im Bereich der KI kein kostenloses Mittagessen gibt.
Der Kein Free-Lunch-Theorem besagt, dass es keinen allgemeingültigen Algorithmus gibt. Das heißt, wenn ein Algorithmus bei einer Aufgabe, beispielsweise der Gesichtserkennung, spektakuläre Leistungen erbringt, wird er bei einer anderen Aufgabe, beispielsweise der Arzneimittelforschung, spektakulär scheitern. Daher können Forscher nicht einfach Deep-Learning-KI von der Stange verwenden.
Das Harvard-MIT-Team nutzte für die Arzneimittelforschung eine neue Art von Deep-Learning-KI namens Graph Neural Networks. Bereits in der KI-Steinzeit des Jahres 2010 wurden KI-Modelle für die Arzneimittelentwicklung mithilfe von Textbeschreibungen von Chemikalien erstellt. Das ist, als würde man das Gesicht einer Person mit Worten wie „dunkle Augen“ und „lange Nase“ beschreiben.
Diese Textbeschreibungen sind nützlich, geben aber offensichtlich nicht das gesamte Bild wieder. Die vom Harvard-MIT-Team verwendete KI-Methode beschreibt Chemikalien als ein Netzwerk von Atomen, was dem Algorithmus ein vollständigeres Bild der Chemikalie liefert, als Textbeschreibungen liefern können.
Menschliches Wissen und KI sind leere Tafeln
Doch Deep Learning allein reicht nicht aus, um neue Antibiotika zu entdecken. Es muss mit tiefgreifenden biologischen Kenntnissen über Infektionen gekoppelt werden.
Das Harvard-MIT-Team trainierte den KI-Algorithmus sorgfältig anhand von Beispielen für wirksame und nicht wirksame Medikamente. Darüber hinaus verwendeten sie Medikamente, von denen bekannt ist, dass sie beim Menschen sicher sind, um die KI zu trainieren.
Anschließend nutzten sie den KI-Algorithmus, um aus Millionen von Chemikalien potenziell sichere und dennoch wirksame Antibiotika zu identifizieren.
Im Gegensatz zu Menschen hat KI keine vorgefassten Meinungen, insbesondere nicht darüber, wie ein Antibiotikum aussehen sollte. Mithilfe altmodischer KI hat mein Labor kürzlich einige davon entdeckt überraschende Kandidaten für die Behandlung von Tuberkulose , einschließlich eines Antipsychotikums.
In der Studie des Harvard-MIT-Teams fanden sie eine Goldgrube an neuen Kandidaten. Diese Medikamentenkandidaten sehen in keiner Weise wie bestehende Antibiotika aus. Ein vielversprechender Kandidat ist Halicin, ein Medikament, dessen Behandlung untersucht wird Diabetes .
Überraschenderweise war Halicin nicht nur wirksam gegen E coli , den Bakterien, auf die der KI-Algorithmus trainiert wurde, aber auch auf tödlichere Krankheitserreger, darunter solche, die Tuberkulose und Dickdarmentzündungen verursachen.
Insbesondere war Halicin wirksam gegen Arzneimittelresistenzen Acinetobacter baumann . Dieses Bakterium steht ganz oben auf der Liste der tödlichsten Krankheitserreger zusammengestellt von den Centers for Disease Control and Prevention .
Leider deutet die breite Wirksamkeit von Halicin darauf hin, dass es auch harmlose Bakterien in unserem Körper zerstören kann. Es kann auch metabolische Nebenwirkungen haben, da es ursprünglich als Antidiabetikum entwickelt wurde. Angesichts des dringenden Bedarfs an neuen Antibiotika könnten dies nur kleine Opfer sein, die man zahlen muss, um Leben zu retten.
Der Evolution immer einen Schritt voraus sein
Sollten wir angesichts des Versprechens von Halicin die Suche nach neuen Antibiotika stoppen?
Halicin könnte alle Hürden überwinden und schließlich auf den Markt kommen. Aber es muss noch einen unerbittlichen Feind besiegen, der die Hauptursache für die Medikamentenresistenzkrise ist: die Evolution.
Der Mensch hat im letzten Jahrhundert zahlreiche Medikamente gegen Krankheitserreger eingesetzt. Dennoch haben Krankheitserreger schon immer Resistenzen entwickelt. Es würde also wahrscheinlich nicht mehr lange dauern, bis wir auf eine Halicin-resistente Infektion stoßen.
Dennoch sind wir mit der Leistungsfähigkeit der Deep-Learning-KI jetzt möglicherweise besser in der Lage, schnell mit einem neuen Antibiotikum zu reagieren.
Es stehen noch viele Herausforderungen bevor, damit potenzielle mithilfe von KI entdeckte Antibiotika die Klinik erreichen. Die Bedingungen, unter denen diese Medikamente getestet werden, unterscheiden sich von denen im menschlichen Körper.
Mein Labor und andere entwickeln dafür neue KI-Tools simulieren die innere Umgebung des Körpers um die Wirksamkeit von Antibiotika zu beurteilen. KI-Modelle können jetzt auch die Toxizität und Nebenwirkungen von Arzneimitteln vorhersagen.
Diese KI-Technologien zusammen könnten uns bald einen Vorsprung im nie endenden Kampf gegen Arzneimittelresistenzen verschaffen.
[ Du bist klug und neugierig auf die Welt. Das gilt auch für die Autoren und Herausgeber von The Conversation. Sie können uns täglich lesen, indem Sie unseren Newsletter abonnieren .] 
Shri Ram Chandrasekaran , Assistenzprofessor für Biomedizintechnik, Universität von Michigan .
Dieser Artikel wurde erneut veröffentlicht von Die Unterhaltung unter einer Creative Commons-Lizenz. Lies das originaler Artikel .