Künstliche Intelligenz beschleunigt die Entwicklung neuartiger Antibiotika im Kampf gegen antimikrobielle Resistenzen. Da konventionelle Wirkstoffe oft breitspektrig wirken und nützliche Darmflora schädigen, steigt die Gefahr resistenter Erreger. Forschende weltweit setzen nun auf maschinelles Lernen, um präzise, kostengünstige und schnell wirksame Alternativen zu identifizieren. Ein zentraler Durchbruch gelang Jonathan Stokes von der McMaster University und seinem Team um Doktorandin Denise Catacutan. Nach dem Screenen von tausenden Verbindungen isolierten sie 2023 einen vielversprechenden Wirkstoff namens Enterololin. Um dessen Wirkmechanismus aufzuklären, griffen sie nicht auf klassische, zeitaufwendige Labortests zurück, sondern auf KI-gestützte Tools. Regina Barzilay vom Massachusetts Institute of Technology (MIT) entwickelte DiffDock, ein neuronales Netz, das die Bindung kleiner Moleküle an Proteine vorhersagt. Dadurch ließen sich potenzielle Angriffspunkte schnell eingrenzen und experimentell validieren. Barzilays Forschung ist durch persönliche Erfahrungen mit lebensbedrohlichen Infektionen motiviert; Schätzungen zufolge könnten bis 2050 rund 39 Millionen Menschen an antibiotikaresistenten Erkrankungen sterben. Die Effizienz KI-gestützter Antibiotika-Discovery hängt maßgeblich von der Qualität der Trainingsdaten ab. Seit 2018 arbeitet Barzilay eng mit James Collins vom MIT zusammen. Gemeinsam trainierten sie das Modell Chemprop an über zweitausend E. coli-Testdaten, um Millionen chemischer Verbindungen zu screenen. Daraus ging Halicin hervor, ein breitspektriger Kinase-Hemmer mit Wirkung gegen multiresistente Erreger. Molly Bartlett von der Imperial College London betont, dass physikalische, chemische und strukturelle Vielfalt in den Datensätzen entscheidend sind. Nur so lernen die Algorithmen, welche molekularen Eigenschaften die Penetration der Bakterienmembran und das Bakterienwachstum hemmen. Moderne KI-Chatbots unterstützen Forschende zudem bei der Code-Validierung und reduzieren die Einstiegshürden für komplexe Programmierarbeit. Parallel expandiert die Suche nach neuen Wirkstoffklassen. César de la Fuente von der University of Pennsylvania nutzt neuronale Netze für die sogenannte molekulare De-Extinktion. Sein Tool APEX durchsuchte über zehn Millionen Peptidsequenzen und identifizierte zehntausende Kandidaten, darunter viele aus Proteomen ausgestorbener Arten. In Labortests zeigte sich, dass diese Peptide oft nicht die starre Zellwand, sondern die innere Cytoplasmamembrangreifen, ein Mechanismus, gegen den Bakterien bisher kaum Resistenzen entwickelt haben. Auf dieser Basis entwickelte de Fuentes Team das generative Modell ApexGO, das synthetische Peptide nach spezifischen Designvorgaben erstellt. Bislang wurden etwa einhundert neu entworfene Moleküle synthetisiert, wobei achtundachtzig Prozent nachweislich antimikrobielle Aktivität zeigten. Trotz dieser Fortschritte bestehen praktische Hürden. James Collins warnt, dass generative KI oft Moleküle entwirft, die synthetisch nicht stabil oder kostengünstig herstellbar sind. Die Brücke von der digitalen Vorhersage zur tatsächlichen pharmazeutischen Produktion bleibt eine zentrale Herausforderung. Dennoch etabliert sich KI als unverzichtbarer Beschleuniger in der Wirkstoffforschung. Sie ermöglicht schnellere Screenings, niedrigere Entwicklungskosten und völlig neue Wirkmechanismen, die für die langfristige Bewältigung der Antibiotikakrise entscheidend sein werden.