AI rusza na ratunek medycynie: nowa broń na superbakterie oporne na antybiotyki

<strong>Rosnąca oporność bakterii na antybiotyki może cofnąć medycynę o dziesięciolecia.

Naukowcy coraz częściej patrzą więc w stronę AI.

Coraz więcej infekcji bakteryjnych nie reaguje na standardowe leczenie, a lekarze ostrzegają, że era „cudownych antybiotyków” właśnie się kończy. Sztuczna inteligencja wchodzi w ten kryzysowy moment jak nowy, nieoczekiwany sojusznik – analizuje gigantyczne zbiory danych, testuje wirtualnie miliony związków chemicznych i pomaga znaleźć cząsteczki, których człowiek nie miałby szans wytypować w tradycyjnych badaniach.

Jak doszło do kryzysu antybiotykowego

Od odkrycia penicyliny minęło niespełna sto lat, a medycyna zdążyła się do antybiotyków przyzwyczaić do tego stopnia, że zaczęliśmy traktować je jak lek na niemal wszystko. Przez dekady przepisywano je zbyt często i zbyt szeroko – przy infekcjach wirusowych, bez dokładnej diagnostyki, profilaktycznie w hodowli zwierząt. Dla bakterii stało się to brutalnym treningiem selekcyjnym.

Każdy kolejny cykl leczenia dawał przewagę drobnoustrojom z losowymi mutacjami, które lepiej znosiły działanie danego leku. Te szczepy przeżywały, namnażały się i przekazywały odporność dalej. Bakterie mają bardzo krótkie cykle życiowe, więc takich „pokoleń” pojawiają się tysiące w ciągu jednego dnia. Nasz farmakologiczny arsenał zaczął się więc stopniowo tępić, a w szpitalach zaczęły krążyć tzw. superbakterie odporne na wiele klas antybiotyków.

Silna oporność na antybiotyki staje się jedną z najgroźniejszych globalnych plag zdrowotnych, zdolną przebić pod względem liczby zgonów nawet wszystkie nowotwory razem wzięte.

Według szacunków co roku około 1,1 mln osób umiera dziś z powodu zakażeń, których standardowe leki nie są już w stanie wyeliminować. Jeśli nic się nie zmieni, w połowie stulecia ta liczba może wzrosnąć do nawet 8 mln rocznie. To scenariusz, który zmieniłby oblicze szpitali na całym świecie.

Dlaczego nowe antybiotyki powstają tak wolno

Można by pomyśleć: skoro bakterie wygrywają, wystarczy stworzyć kolejne, silniejsze leki. Tu zaczynają się schody. Opracowanie zupełnie nowej cząsteczki wymaga ponad dekady badań, setek tysięcy prób laboratoryjnych i gigantycznych nakładów finansowych. Po tym czasie skuteczny preparat i tak najczęściej jest stosowany oszczędnie, żeby nie przyspieszać powstawania oporności.

Dla wielu firm farmaceutycznych to mało atrakcyjny model biznesowy. Koszty są ogromne, zysk ograniczony, a ryzyko porażki w ostatniej fazie badań – wysokie. W efekcie między 2017 a 2022 rokiem na rynek weszło zaledwie kilkanaście nowych antybiotyków, często będących tylko modyfikacjami znanych już rodzin leków. Bakterie miały wobec nich przynajmniej częściowo przygotowane mechanizmy obrony.

W praktyce wygląda to tak, jakby przemysł odsunął się od problemu, zanim nauka zdążyła zaproponować w pełni nowe rozwiązania. Klasyczne metody poszukiwania leków, oparte na powolnych testach kolejnych cząsteczek, przestały nadążać za tempem ewolucji drobnoustrojów.

AI jako przyspieszony laboratorant medycyny

Tu na scenę wchodzi sztuczna inteligencja. Algorytmy uczące się potrafią nie tylko rozpoznawać obrazy czy generować tekst, ale też analizować skomplikowane struktury białek i związków chemicznych. System AlphaFold pokazał już, że AI może z dużą dokładnością przewidywać trójwymiarowy kształt białek, a więc potencjalne cele dla nowych leków.

Pojawiły się również modele znane pod wspólnym określeniem AMR-AI, trenowane na danych o patogenach opornych na leczenie. Takie systemy przewidują, jak mogą mutować bakterie i jakie strategie obrony wykształcą za kilka lat. To pozwala projektować terapie wyprzedzające ich ruchy, a nie tylko reagujące na kolejne kryzysy.

Przewaga AI polega na tym, że potrafi w kilka godzin przeanalizować to, co zespoły badawcze badałyby latami – i wyłowić z chaosu danych cząsteczki o szansie realnego działania.

Przykład z MIT: 45 milionów struktur w wirtualnym mikroskopie

Jedno z najbardziej spektakularnych podejść opracował zespół profesora Jamesa Collinsa z Massachusetts Institute of Technology. Badacze zadali sobie pytanie: skoro bakterie ewoluują szybciej niż nasz proces tworzenia leków, czy nie da się przyspieszyć samego „polowania” na nowe antybiotyki dzięki AI?

Na początek nakarmili algorytm ogromną dawką wiedzy z ostatnich stu lat farmakologii. W modelu znalazły się informacje o:

• strukturach chemicznych już znanych antybiotyków,
• sposobach, w jakie atakują bakterie (mechanizmach działania),
• budowie i właściwościach samych drobnoustrojów,
• profilach toksyczności, czyli tym, jak dana cząsteczka wpływa na organizm człowieka.

Na tej podstawie AI nauczyła się rozpoznawać cechy, które sugerują potencjalne działanie przeciwbakteryjne. Dopiero wtedy rozpoczęła się właściwa „burza mózgów” – z tą różnicą, że zamiast zespołu chemików i biologów pracował model zdolny w krótkim czasie przeanalizować dziesiątki milionów wariantów.

Od 45 milionów kandydatów do dwóch realnych nadziei

Algorytm przyjrzał się aż 45 milionom struktur chemicznych. Nie oznacza to fizycznych eksperymentów w probówkach – każde z tych „spojrzeń” odbywało się poprzez symulację, w której model oceniał prawdopodobieństwo, że dana cząsteczka zaszkodzi bakteriom przy akceptowalnym poziomie toksyczności dla człowieka.

Następnie, modyfikując obiecujące struktury, stworzył łącznie około 36 milionów nowych związków. Najlepsze kandydatki trafiły już do prawdziwych laboratoriów, gdzie naukowcy zsyntetyzowali je i przetestowali na opornych szczepach. W tej grupie pojawiły się dwie cząsteczki, które faktycznie wykazały silną aktywność wobec bakterii odpornych na dotychczasowe leczenie, atakując je w sposób inny niż klasyczne antybiotyki.

Dwie realne kandydatki na lek z milionów przebadanych struktur wcale nie oznaczają porażki. W tradycyjnych projektach bywa, że po wielu latach nie zostaje ani jedna cząsteczka nadająca się do dalszego rozwoju.

Ten wynik pokazuje, że przez długi czas zderzaliśmy się z barierą nie tyle wiedzy, ile narzędzi. Człowiek po prostu nie jest w stanie ręcznie przeanalizować tak ogromnej przestrzeni chemicznej. AI pozwala wreszcie zajrzeć w rejony, które wcześniej istniały tylko jako abstrakcyjne liczby w równaniach.

Superbakterie pod presją algorytmów

Najgłośniejsze przykłady opornych patogenów to między innymi Neisseria gonorrhoeae, wywołująca rzeżączkę, oraz niektóre szczepy Staphylococcus aureus, znane z zakażeń szpitalnych. Pierwsza wymyka się niemal wszystkim lekom pierwszego wyboru, druga zyskała odporność na metycylinę, przez lata uważaną za złoty standard terapii.

Takich patogenów jest jednak znacznie więcej: bakterie wywołujące zapalenia płuc, zakażenia układu moczowego, groźne sepsy u pacjentów po operacjach. Dla wielu z nich brakuje już skutecznych preparatów, a część terapii przypomina gaszenie pożaru benzyną – każde kolejne podanie leku jeszcze mocniej filtruje populację bakterii, zostawiając w niej wyłącznie najbardziej oporne osobniki.

Jeśli AI zacznie dostarczać regularnie nowe cząsteczki o nietypowych mechanizmach działania, superodporne szczepy przestaną mieć tak komfortową sytuację. Z ich perspektywy wyścig zbrojeń znowu stanie się nieprzewidywalny, a na zdobycie odporności na kolejną klasę leków będzie mniej czasu.

Gdzie leży granica możliwości sztucznej inteligencji

Algorytmy nie zastąpią badań biologicznych. Każdy związek wytypowany przez AI musi przejść żmudną drogę: testy laboratoryjne, badania na modelach zwierzęcych, kolejne fazy badań klinicznych na ludziach, analizę skutków ubocznych. To proces obwarowany restrykcyjnymi wymogami i etyką, których nie da się przyspieszyć samą mocą obliczeniową.

Rola AI polega na czymś innym: na odrzuceniu tysięcy ślepych uliczek na bardzo wczesnym etapie i skupieniu uwagi ekspertów na najbardziej obiecujących kierunkach. Zamiast w ciemno testować przypadkowe cząsteczki, laboratoria mogą zajmować się tymi, które przeszły wstępną, bardzo surową selekcję wirtualną.

Co to oznacza dla pacjentów i lekarzy

Dla przeciętnego pacjenta rewolucja AI może w pierwszej chwili pozostać niewidoczna. W gabinecie nadal usłyszy nazwę konkretnego leku, nie algorytmu, który pomógł go opracować. Różnica może polegać na tym, że lekarze będą mieć do dyspozycji większą paletę nowoczesnych preparatów, a część groźnych zakażeń znów stanie się kontrolowalna.

Dla systemów ochrony zdrowia stawka jest ogromna. Jeśli uda się zahamować wzrost oporności, zmaleje liczba przedłużających się hospitalizacji, skomplikowanych powikłań pooperacyjnych i kosztownych terapii ratunkowych. AI może też wspierać diagnostykę, pomagając szybko rozpoznać, z jakim patogenem mamy do czynienia i na jakie leki wciąż jest wrażliwy.

Coraz częściej pojawia się również perspektywa terapii personalizowanych. Algorytm, analizując dane o konkretnym szczepie bakterii z danego szpitala i profilu danego pacjenta, może podpowiedzieć optymalną kombinację leków i dawek. To ogranicza ryzyko niepotrzebnego „ostrzału” antybiotykami na oślep.

Co każdy z nas może zrobić i jakie ryzyka widać na horyzoncie

Choć AI otwiera zupełnie nowy rozdział w walce z opornymi bakteriami, nie zwalnia to z odpowiedzialności zwykłych użytkowników systemu ochrony zdrowia. Nadużywanie antybiotyków wciąż pozostaje głównym paliwem dla superbakterii. Warto pamiętać o kilku prostych zasadach: nie przyjmować takich leków bez wyraźnego wskazania lekarza, nie kończyć terapii wcześniej „bo już lepiej”, nie domagać się tabletek na siłę przy infekcjach, które wyglądają na wirusowe.

Z drugiej strony rosnąca rola AI rodzi pytania o przejrzystość i kontrolę nad tymi systemami. Modele trzeba szkolić na rzetelnych danych, monitorować ich decyzje i unikać sytuacji, w której algorytm staje się niepodważalnym „oraklem”. Najbardziej obiecująca droga to połączenie doświadczenia lekarzy, wiedzy biologów i mocy obliczeniowej AI – tak, by sztuczna inteligencja nie zastępowała ludzi, lecz wzmacniała ich możliwości w wyścigu z bakteriami, który coraz bardziej przypomina rywalizację z bardzo sprytnym przeciwnikiem.