AI-Tool macht 85% der Antibiotika-Kandidaten wirksam

Forschende der University of Pennsylvania haben mit dem neuen KI-Tool ApexGO einen bahnbrechenden Ansatz zur Entwicklung wirksamerer Antibiotika vorgestellt. Im Gegensatz zu herkömmlichen Methoden, die riesige Datenbanken nach potenziell passenden Molekülen durchsuchen, beginnt ApexGO mit wenigen vielversprechenden, aber noch unzureichenden Antibiotika-Kandidaten. Das System verbessert diese Schritt für Schritt, indem es präzise Modifikationen vorschlägt und einen prädiktiven Algorithmus nutzt, um den Erfolg dieser Änderungen zu bewerten, bevor sie synthetisiert werden. Der Ansatz wurde von César de la Fuente, Professor für Bioingenieurwesen, und Jacob R. Gardner, Professor für Informatik, entwickelt. Das Team beschreibt den Prozess als gezielte Navigation durch einen enormen molekularen Raum. Das Tool schlägt Änderungen an den Aminosäuresequenzen kurzer Peptide vor, sagt voraus, ob diese die antimikrobielle Aktivität steigern, und leitet so die nächste Optimierungsrunde ein. Die Forschungsergebnisse, die im Fachjournal Nature Machine Intelligence veröffentlicht wurden, belegen die Effizienz der Methode: In Labortests funktionierten 85 % der von der KI erzeugten Moleküle gegen krankheitserregende Bakterien. Zudem übertrafen 72 % der neu entwickelten Kandidaten ihre ursprünglichen Vorlagen in der Wirksamkeit. Besonders beeindruckend ist die Übertragbarkeit der Vorhersagen auf die reale Welt. Obwohl die KI zunächst gegen ein Computermodell optimierte, funktionierten die meisten so generierten Moleküle tatsächlich im Labor. In Tierversuchen an Mäusen reduzierten zwei von ApexGO entwickelte antimikrobielle Peptide die Bakterienlast in einem Ausmaß, das mit dem des FDA-zugelassenen Reserve-Antibiotikums Polymyxin B vergleichbar war. Dies widerlegt die Sorge, dass KI-Modelle nur theoretisch funktionierende, in der Praxis aber nutzlose Substanzen entwerfen könnten. ApexGO setzt auf einer bereits existierenden Technologie namens APEX auf, die potenzielle Kandidaten in biologischen Datenbanken identifiziert. Während APEX die Entdeckung neuer Peptide ermöglichte, übernimmt ApexGO nun die Aufgabe, diese Kandidaten gezielt zu optimieren. Das System nutzt Methoden der Bayesian-Optimierung, um eine Balance zwischen dem Erkunden vielversprechender Kandidaten und dem Ausprobieren neuer, weniger sicherer Varianten zu finden. Dies ermöglicht es der KI, in komplexen chemischen Räumen effizienter zu navigieren als der menschliche Trial-and-Error-Prozess, der traditionell in der Antibiotika-Forschung dominiert. Obwohl die Ergebnisse vielversprechend sind, betonen die Forscher, dass die entdeckten Peptide noch im frühen Entwicklungsstadium stecken. Bevor sie bei Menschen eingesetzt werden können, müssen sie umfassend auf Sicherheit, Stabilität und Verweildauer im Körper getestet werden. Dennoch markiert ApexGO einen Paradigmenwechsel in der Wirkstoffforschung. Die Technologie zeigt, wie Künstliche Intelligenz nicht nur die Entdeckung neuer Medikamente beschleunigen, sondern bestehende Kandidaten aktiv verbessern kann. Dies ist angesichts der weltweit steigenden Antibiotikaresistenzen von großer Bedeutung, da die Entwicklung neuer Therapien traditionell lange und kostspielige Prozesse benötigt. Die Wissenschaftler sehen in ApexGO einen ersten Schritt, der zukünftig auf andere Bereiche der biologischen Forschung übertragen werden könnte. Ähnlich wie bei der Optimierung antimikrobieller Eigenschaften könnte die Methode genutzt werden, um Peptide mit anderen Funktionen zu entwickeln, etwa zur Modulation des Immunsystems oder zur gezielten Behandlung von Tumoren. Durch den Einsatz von KI-Agenten, die wissenschaftliches Wissen einbeziehen und Designentscheidungen reasoning treffen, könnte in Zukunft die Exploration chemischer Räume, die für den Menschen zu komplex sind, noch flexibler und schneller gestaltet werden.