Eine neue Klasse von Antibiotika für arzneimittelresistente Staphylococcus aureus (MRSA)-Bakterien, die mit Hilfe von transparenteren Deep-Learning-Modellen entdeckt wurde.
WERBUNGDer Einsatz künstlicher Intelligenz (KI) erweist sich in der Medizin als bahnbrechend, denn die Technologie hilft Wissenschaftlern nun, die ersten neuen Antibiotika seit 60 Jahren zu entwickeln.
Die Entdeckung eines neuen Wirkstoffs, der ein arzneimittelresistentes Bakterium abtöten kann, das jedes Jahr weltweit Tausende von Todesopfern fordert, könnte sich als Wendepunkt im Kampf gegen Antibiotikaresistenzen erweisen.
"Die Erkenntnis hier war, dass wir sehen konnten, was von den Modellen gelernt wurde, um ihre Vorhersagen zu treffen, dass bestimmte Moleküle gute Antibiotika wären", sagte James Collins, Professor für Medizintechnik und Wissenschaft am Massachusetts Institute of Technology (MIT) und einer der Autoren der Studie, in einer Erklärung.
"Unsere Arbeit bietet einen Rahmen, der zeit- und ressourceneffizient ist und aus der Sicht der chemischen Struktur aufschlussreich ist, wie wir es bisher noch nicht hatten".
Die Ergebnisse wurden heute in Nature veröffentlicht und von einem Team aus 21 Forschern mitverfasst.
Studie soll "Blackbox" öffnen
Das Team hinter dem Projekt verwendete ein Deep-Learning-Modell, um die Aktivität und Toxizität der neuen Verbindung vorherzusagen.
Beim Deep Learning werden künstliche neuronale Netze eingesetzt, um automatisch und ohne explizite Programmierung 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 Prozess der Arzneimittelentwicklung zu optimieren.
In diesem Fall konzentrierten sich die Forscher auf den Methicillin-resistenten Staphylococcus aureus (MRSA).
Infektionen mit MRSA können von leichten Hautinfektionen bis hin zu schwereren und potenziell lebensbedrohlichen Erkrankungen wie Lungenentzündung und Infektionen der Blutbahn reichen.
Nach Angaben des Europäischen Zentrums für die Prävention und die Kontrolle von Krankheiten (ECDC)treten in der Europäischen Union jedes Jahr fast 150.000 MRSA-Infektionen auf, und fast 35.000 Menschen sterben jährlich an antimikrobiell resistenten Infektionen in der Union.
Das MIT-Forscherteam trainierte ein umfangreich erweitertes Deep-Learning-Modell mit erweiterten Datensätzen.
Um die Trainingsdaten zu erstellen, wurden etwa 39.000 Verbindungen auf ihre antibiotische Aktivität gegen MRSA untersucht. Anschließend wurden sowohl die resultierenden Daten als auch Details zu den chemischen Strukturen der Verbindungen in das Modell eingegeben.
"In dieser Studie ging es darum, die Blackbox zu 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", so Felix Wong, Postdoc am MIT und in Harvard und einer der Hauptautoren der Studie.
Entdeckung eines neuen Wirkstoffs
Um die Auswahl potenzieller Medikamente zu verfeinern, setzten die Forscher drei weitere Deep-Learning-Modelle ein. Diese Modelle wurden darauf trainiert, die Toxizität von Wirkstoffen auf drei verschiedene Arten menschlicher Zellen zu bewerten.
Durch die Integration dieser Toxizitätsvorhersagen mit der zuvor ermittelten antimikrobiellen Aktivität konnten die Forscher Verbindungen ermitteln, die in der Lage sind, Mikroben wirksam und mit minimaler Schädigung des menschlichen Körpers zu bekämpfen.
Anhand dieser Modelle wurden etwa 12 Millionen im Handel erhältliche Verbindungen untersucht.
Die Modelle identifizierten Verbindungen aus fünf verschiedenen Klassen, die auf der Grundlage spezifischer chemischer Substrukturen innerhalb der Moleküle kategorisiert wurden und die eine vorhergesagte Aktivität gegen MRSA aufwiesen.
WERBUNGAnschließend erwarben die Forscher etwa 280 dieser Verbindungen und führten Tests gegen MRSA in einer Laborumgebung durch. Auf diese Weise konnten sie zwei vielversprechende Antibiotikakandidaten aus derselben Klasse identifizieren.
In Experimenten mit zwei Mausmodellen - eines für eine MRSA-Hautinfektion und eines für eine systemische MRSA-Infektion - reduzierte jede dieser Verbindungen die MRSA-Population um den Faktor 10.