AI protiv otpornosti na antibiotike

Istraživači sa Sveučilišta u Pennsylvaniji na odjelu Penn Engineering, razvili su ApexGO, novu metodu, pokretanu umjetnom inteligencijom, za pretvaranje obećavajućih, ali nesavršenih kandidata za antibiotike u potentnije.

Za razliku od mnogih postojećih pristupa umjetne inteligencije za otkrivanje antibiotika, koji pretražuju velike baze podataka u potrazi za molekulama koje bi mogle funkcionirati, ApexGO počinje s malim brojem nesavršenih kandidata i poboljšava ih korak po korak, koristeći prediktivni algoritam za procjenu svake modifikacije i vođenje sljedeće.

„Otkriće antibiotika u osnovi je problem pretraživanja u ogromnom molekularnom prostoru. ApexGO nam daje način navigacije tim prostorom s puno više smjera“, kaže César de la Fuente , predsjednički izvanredni profesor psihijatrije i mikrobiologije na Medicinskom fakultetu Perelman, bioinženjerstva te kemijskog i biomolekularnog inženjerstva na Fakultetu inženjerstva i primijenjenih znanosti te kemije na Fakultetu umjetnosti i znanosti , te suvoditelj novog rada koji opisuje metodu u časopisu Nature Machine Intelligence.

Laboratorijski testovi protiv bakterija koje uzrokuju bolesti podržali su ApexGO-ova predviđanja: 85% molekula generiranih umjetnom inteligencijom zaustavilo je rast bakterija, dok je 72% nadmašilo peptide iz kojih su izvedene. Kod miševa, dva antimikrobna peptida koje je stvorio ApexGO smanjila su broj bakterija na razinama usporedivim s polimiksinom B , antibiotikom odobrenim od strane FDA koji se koristi kao krajnja opcija za neke infekcije otporne na lijekove.

„Ono što je upečatljivo jest da su se ApexGO-ova predviđanja održala u stvarnom svijetu“, kaže Jacob R. Gardner, docent računarstva i informacijskih znanosti (CIS) i drugi viši koautor rada. „ApexGO je optimizirao u odnosu na drugi računalni model, pa je jedna od briga bila da bi mogao pronaći molekule koje su modelu izgledale dobro, ali nisu uspjele u laboratoriju. Umjesto toga, većina molekula koje je dizajnirao zapravo je funkcionirala.“

Grupa je specijalizirana za metode poput Bayesove optimizacije, koja pomaže AI sustavima da učinkovito istraže veliki broj mogućih rješenja. „Bilo bi nemoguće testirati svaki mogući peptid“, kaže Yimeng Zeng , doktorand na CIS-u i suautor rada. „Bayesova optimizacija pomaže modelu da donosi informirane odluke o tome što sljedeće pokušati, uravnotežujući kandidate koji izgledaju obećavajuće s kandidatima koji bi model mogli naučiti nečemu novom.“ 

U osnovi, jedan dio ApexGO-a predlaže molekularne prilagodbe, dok prethodno objavljeni APEX model predviđa hoće li te promjene vjerojatno povećati antimikrobnu aktivnost. ApexGO zatim koristi ta predviđanja kako bi vodio sljedeći krug predloženih izmjena. „Ako područje pretraživanja izgleda obećavajuće, model može uložiti više napora u istraživanje obližnjih varijanti“, kaže Zeng. „Ali se također može pomaknuti u manje sigurna područja, gdje još uvijek mogu postojati skrivena poboljšanja.“

Iako su neke od molekula koje je predložio ApexGO pokazale obećavajuću antibiotsku aktivnost, istraživači naglašavaju da su čak i peptidi s najboljim učinkom još uvijek kandidati u ranoj fazi. Prije nego što bi se bilo koji od njih mogao koristiti za liječenje infekcija kod ljudi, trebalo bi ga dodatno optimizirati radi sigurnosti, stabilnosti i koliko dugo ostaje aktivan u tijelu.

Ipak, studija sugerira da umjetna inteligencija može pomoći istraživačima da odluče koje molekule uopće vrijedi proizvesti i testirati. Umjesto sintetiziranja jednog kandidata za drugim metodom pokušaja i pogrešaka, alati poput ApexGO-a mogli bi pomoći u sužavanju pretrage na molekule koje će vjerojatnije funkcionirati.