Bakterien und Antibiotika spielen seit etwa einem Jahrhundert ein Katz-und-Maus-Spiel. Leider gewinnen die Bakterien die Oberhand. Laut der Weltgesundheitsorganisation ist die Antibiotikaresistenz ein großes öffentliches Gesundheitsrisiko, das 2019 weltweit für 1,27 Millionen Todesfälle verantwortlich war.
Wenn Bakterien wiederholt Antibiotika ausgesetzt sind, lernen sie schnell, ihre Gene anzupassen, um die Wirkung der Medikamente zu kontern – und teilen diese genetischen Veränderungen mit ihren Artgenossen – was die Medikamente unwirksam macht. Übermächtige Bakterien beeinträchtigen auch medizinische Verfahren – Operationen, Chemotherapien, Kaiserschnitte – und erhöhen das Risiko lebensrettender Therapien.
Mit dem Anstieg der Antibiotikaresistenz gibt es nur sehr wenige neue Medikamente in der Entwicklung. Während Studien in Petrischalen potente Kandidaten identifiziert haben, schädigen einige von ihnen auch die körpereigenen Zellen und führen zu schwerwiegenden Nebenwirkungen.
In diesem Monat haben Forscher KI eingesetzt, um ein toxisches Antibiotikum neu zu gestalten. Sie haben Tausende von Varianten hergestellt und nach denen gescreent, die ihre Fähigkeit zur Bekämpfung von Bakterien beibehalten, aber menschlichen Zellen weniger schaden.
Die in der Studie verwendete KI ist ein großes Sprachmodell ähnlich denen hinter berühmten Chatbots von Google, OpenAI und Anthropic. Der Algorithmus durchsuchte 5,7 Millionen Varianten des Originalantibiotikums und fand eine Variante, die ihre Wirksamkeit behielt, aber mit weit weniger Toxizität.
In Labortests zerbrach die neue Variante schnell die ‚Schilde‘ der Bakterien – eine fettige Blase, die die Zellen intakt hält -, ließ aber Wirtszellen unversehrt. Im Vergleich zum Originalantibiotikum war die neuere Version für menschliche Nierenzellen in Petrischalen weit weniger toxisch. Sie eliminierte auch schnell tödliche Bakterien bei infizierten Mäusen mit minimalen Nebenwirkungen.
Die Plattform kann auch leicht angepasst werden, um andere in Entwicklung befindliche Medikamente zu testen, einschließlich solcher für verschiedene Krebsarten.
„Wir haben festgestellt, dass große Sprachmodelle einen großen Fortschritt für maschinelles Lernen bei der Protein- und Peptidtechnologie darstellen“, sagte Dr. Claus Wilke, Biologe und Datenwissenschaftler an der Universität Austin und Autor der Studie in einer Pressemitteilung.