Ein Forscherteam der University of Massachusetts Amherst hat zwei neuartige Methoden entwickelt, die die Suche nach wirksamen Tuberkulose-Medikamenten erheblich beschleunigen können. Die bakterielle Infektion, ausgelöst durch Mycobacterium tuberculosis, ist weltweit die tödlichste Einzelinfektion und forderte laut Weltgesundheitsorganisation im Jahr 2024 rund 1,23 Millionen Menschenleben. Ein zentrales pharmazeutisches Hindernis stellt die einzigartige äußere Zellmembran des Bakteriums dar, die Mycomembran. Diese Barriere schützt den Erreger nicht nur vor dem menschlichen Immunsystem, sondern blockiert systematisch den Eintritt konventioneller Antibiotika und anderer antimikrobieller Substanzen. Um dieses Wirkstoff-Design-Problem zu lösen, haben die Wissenschaftler ein kombiniertes Screening- und Modellierungsverfahren vorgestellt, das in der Fachzeitschrift Nature Microbiology publiziert wurde. Der experimentelle Kern basiert auf der 2023 gemeinsam mit Forschern der University of Virginia entwickelten PAC-MAN-Technologie. Dieses Hochdurchsatzverfahren ermöglicht es, tausende chemische Verbindungen parallel zu testen und präzise zu messen, welche Substanzen die Mycomembran tatsächlich durchdringen. Bisheriger Standard war das sequenzielle Einzeltesting, das aufgrund der enormen chemischen Vielfalt potenzieller Wirkstoffkandidaten praktisch nicht skalierbar war. Die gewonnenen Messdaten bildeten die Trainingsgrundlage für den KI-gestützten Schritt. Unter der Leitung von Anna Green von der Manning College of Information and Computer Sciences wurde das neuronale Netzwerk MycoPermeNet entwickelt. Im Gegensatz zu herkömmlichen physikalischen Modellen, die bei komplexen Wirkstoffen an einfachen Parametern wie Molekülgröße oder Gewicht scheitern, erfasst das maschinelle Lernverfahren die gesamte chemische Struktur. Das System prognostiziert daraufhin die Membranpermeabilität neuer, noch nicht getesteter Verbindungen aus deren molekularer Bauweise allein. Zudem identifiziert es spezifische physikalische Eigenschaften und strukturelle Fragmente, die den erfolgreichen Durchtritt begünstigen. Die integrierte Anwendung von PAC-MAN und MycoPermeNet etabliert einen datengetriebenen Vorhersageprozess. Die Forscher stellten fest, dass die für den Membrandurchtritt relevanten chemischen Merkmale stark mit der tatsächlichen Abtötungswirkung gegen M. tuberculosis korrelieren. Sloan Siegrist, Professor für Mikrobiologie an der UMass Amherst, betonte, dass das präzise Verständnis dieser Barrieremechanismen entscheidend sei, um gezielt Schwachstellen in der Schutzhülle des Erregers zu adressieren. Durch die Symbiose aus experimentellem Parallel-Testing und prädiktiver künstlicher Intelligenz wird der traditionelle Wirkstoffentwicklungszyklus deutlich komprimiert. Das Verfahren eröffnet messbare Perspektiven, die Entwicklungszeiten für neue Tuberkulose-Therapien zu verkürzen und die globale Krankheitslast durch schwer behandelbare Mykobakterieninfektionen nachhaltig zu reduzieren.