Ein Forschungsteam der Harvard University, des MIT und des Massachusetts General Hospital hat mit Hilfe Künstlicher Intelligenz zwei vielversprechende Wirkstoffkandidaten gegen den multiresistenten Erreger Neisseria gonorrhoeae identifiziert. Die Ergebnisse wurden im Fachjournal Science Translational Medicine veröffentlicht. Angesichts von jährlich über 600.000 Infektionen in den USA und der rasch fortschreitenden Antibiotikaresistenz des Erregers stellt die Entdeckung einen bedeutenden Fortschritt im Kampf gegen sexuell übertragbare Infektionen dar. Um neue chemische Strukturen zu finden, die nicht durch etablierte Resistenzmechanismen beeinflusst werden, trainierten die Wissenschaftler ein Deep-Learning-Modell an Daten von 38.650 getesteten kleinen Molekülen. Das validierte Modell durchsuchte daraufhin virtuell eine Bibliothek von etwa sechs Millionen Verbindungen. Aus den 213 übrig bleibenden Kandidaten wurden zwei Substanzen, benannt als A1 und MP20, mit hoher Selektivität und Potenz ausgewählt. Proteomische Analysen offenbarten, dass der Wirkstoff A1 spezifisch an das Enzym Alaninracemase bindet und dessen Aktivität hemmt. Da dieses Enzym für den Aufbau der Bakterienzellwand essenziell ist, markiert dies einen neuartigen Wirkmechanismus, der sich noch nicht in der aktuellen Therapie gegen Gonorrhoe wiederfindet. Die biologische Wirksamkeit wurde sowohl in einem mikrofluidischen Organ-Chip-Modell der menschlichen Vagina als auch in einem Mausmodell vaginaler Infektion bestätigt. In beiden Systemen führte die Gabe von MP20 beziehungsweise A1 zu einer signifikanten Reduktion der Erregerkonzentration im Gewebe. Die Studienleitung oblag James Collins vom Wyss Institute at Harvard University und MIT, die konzeptuelle und klinische Leitung lag bei Melis Anahtar und Jacqueline Valeri des Massachusetts General Hospital. Donald Ingber, Gründungsdirektor des Wyss Institute, unterstützte die Forschung durch die Integration humanrelevanter Testmodelle. Die Forscher betonen, dass die Substanzen noch einer hit-to-lead-Optimierung durch medizinische Chemie bedürfen, bevor sie klinisch anwendbar sind. Der primäre Erkenntnisgewinn liegt jedoch im etablierten Entdeckungsprozess: Die Kombination aus hochwertigen biologischen Datensätzen und maschinellem Lernen ermöglicht es, selbst ultragroße, maßgeschneiderte chemische Bibliotheken effizient nach unerwarteten Wirkstoffen durchzusuchen. Dieser Ansatz schafft eine skalierbare Plattform, um die Pipeline für neue Antibiotika gezielt zu füllen und dem kontinuierlichen Wettlauf gegen die Resistenzentwicklung des Erregers strukturell zu begegnen.