KI findet 9 Antibiotika-Kandidaten aus 700 Mrd. Molekülen

Forscher des Massachusetts Institute of Technology in Cambridge haben mit künstlicher Intelligenz die Suche nach neuen Antibiotika gegen resistente Erreger deutlich beschleunigt. Wie das MIT mitteilte, wurden die Professorinnen und Professoren Regina Barzilay und James J. Collins für ihre gemeinsame Antibiotika-Forschung mit dem 2026 erstmals an ein Team vergebenen Pritzker-Preis für exzellente KI-Forschung in Naturwissenschaft und Ingenieurwesen ausgezeichnet. Ihr Antibiotics-AI-Projekt hat nach Projektangaben mehr als 700 Milliarden chemische Verbindungen virtuell gescreent, Kandidaten in Laborversuchen geprüft und dabei neun neue Wirkstoffkandidaten identifiziert oder entworfen. Hintergrund ist die wachsende Resistenz von Bakterien gegenüber bestehenden Antibiotika. Die Weltgesundheitsorganisation berichtete 2025, dass weltweit nur 90 antimikrobielle Entwicklungsprogramme in klinischen Phasen laufen, davon lediglich 15 mit innovativem Ansatz. Neue Antibiotika sind für Hersteller oft wenig attraktiv, weil sie meist kurzzeitig eingesetzt werden, hohe Entwicklungskosten haben und zur Vermeidung weiterer Resistenzen oft zurückhaltend dosiert werden. Das MIT-Team setzte zunächst auf neuronale Netze, die bekannte Molekülstrukturen auf antibakterielle Aktivität klassifizieren. 2020 wurde auf diesem Weg der Kandidat Halicin entdeckt, der in Tiermodellen gegen resistente Bakterien wirkte. 2023 folgte Abaucin, ein auf Acinetobacter baumannii ausgerichteter Kandidat. 2024 machte eine in Nature veröffentlichte Arbeit mit erklärbaren Modellmethoden molekulare Merkmale sichtbar, die mit der Wirksamkeit gegen resistente Staphylococcus aureus zusammenhängen. Im August 2025 wechselte das Team von der reinen Selektion zum molekularen Design. Generative Modelle entwarfen auf Basis chemischer Regeln neue Strukturen. Für resistente Gonokokken entstand aus Millionen Kandidaten der Wirkstoffkandidat NG1, der im Tiermodell aktiv war und vermutlich das für die Bakterienmembran wichtige Protein LptA blockiert. In einem weiteren Ansatz wurden mehr als 29 Millionen Moleküle generiert; unter den getesteten Verbindungen zeigte DN1 Aktivität gegen multiresistente Staphylococcus aureus und wirkte in einem Hautinfektionsmodell. Insgesamt wurden 24 Kandidaten aus mehr als 36 Millionen Vorschlägen synthetisiert, sieben davon trafen relevante Erreger selektiv. Parallel prüfte eine im Juni in Science Translational Medicine veröffentlichte Studie rund 6 Millionen Substanzen gegen resistente Gonokokken mit graphbasierten neuronalen Netzen. Von 213 getesteten Kandidaten wiesen 83 antibakterielle Aktivität auf. Zwei vielversprechende Strukturen störten unter anderem die Zellwandsynthese der Bakterien. Die KI vergrößert damit den chemischen Suchraum erheblich, ersetzt aber weiterhin nicht die aufwendige Synthese, Toxizitätsprüfung, Pharmakokinetik und klinische Erprobung. Das Projekt konzentriert sich auf sieben multiresistente Erreger und arbeitet mit der gemeinnützigen Phare Bio an der Überführung der Kandidaten in die klinische Entwicklung.