AI w walce z superbakteriami: jak sztuczna inteligencja ratuje erę antybiotyków

Rosnąca odporność bakterii na antybiotyki sprawia, że medycyna traci swoje najskuteczniejsze narzędzie.

Na pomoc wchodzi AI i zmienia reguły gry.

Świat przyzwyczaił się, że poważna infekcja bakteryjna to problem na kilka tabletek i receptę od lekarza. Ten komfort właśnie znika, bo coraz więcej drobnoustrojów przestaje reagować na standardowe leczenie. Coraz wyraźniej widać, że klasyczne metody szukania nowych leków nie nadążają – i że bez wsparcia sztucznej inteligencji medycyna zostałaby z pustymi rękami.

Gdy antybiotyki przestają działać

Historia zaczęła się bardzo obiecująco. Penicylina, opisana przez Aleksandra Fleminga pod koniec lat 20. XX wieku, rozpoczęła erę antybiotyków. Dzięki nim udało się ujarzmić choroby, które wcześniej zabijały miliony: zapalenia płuc, zapalenia opon mózgowych, zakażenia pooperacyjne. Przez dziesięciolecia wydawało się, że wystarczy dobrać odpowiednią tabletkę, by poradzić sobie z większością zakażeń.

Problem w tym, że bakterie nie są biernym celem. To organizmy, które rozmnażają się błyskawicznie, mutują i uczą się unikać ciosów. Im częściej sięgamy po antybiotyki – także wtedy, gdy są niepotrzebne – tym silniejszą presję wywieramy na patogeny. Przeżywają najsprytniejsze, przekazują swoje cechy dalej i po kilku latach dotychczasowy „cudowny lek” traci skuteczność.

Rosnąca oporność bakterii na antybiotyki należy dziś do najgroźniejszych zagrożeń zdrowotnych na świecie i może zniwelować dziesięciolecia postępu medycyny.

Miliony zgonów i widmo „epoki przedantybiotykowej”

Według szacunków co roku około 1,1 mln osób umiera z powodu infekcji bakteryjnych, których dostępne leki nie potrafią już zwalczyć. Jeśli nic się nie zmieni, do połowy tego stulecia liczba zgonów może skoczyć aż do 8 mln rocznie. To więcej niż łączna śmiertelność wszystkich nowotworów obecnie.

Naukowcy stale przytaczają kilka szczególnie niepokojących przykładów. Neisseria gonorrhoeae, odpowiedzialna za rzeżączkę, wymknęła się kontroli wielu standardowych terapii. Leczenie choroby wenerycznej, która jeszcze niedawno uchodziła za stosunkowo prostą do opanowania, staje się loterią. Z kolei Staphylococcus aureus – bakteria bytująca na skórze ogromnej części populacji – wykształciła groźne szczepy odporne na metycylinę. Tego typu zakażenia potrafią kończyć się amputacją kończyn, niewydolnością narządów, a nawet śmiercią.

To tylko wierzchołek góry lodowej. Dziesiątki innych drobnoustrojów wchodzą na podobną ścieżkę. Tempo, w jakim bakterie uczą się omijać nasze leki, przewyższa tempo, w jakim powstają nowe preparaty. Między rokiem 2017 a 2022 do użytku dopuszczono zaledwie 12 nowych antybiotyków, z czego większość stanowią tylko modyfikacje znanych już cząsteczek. W praktyce patogeny często mają już gotowe mechanizmy obronne wobec takich „odświeżonych” leków.

Dlaczego firmy farmaceutyczne nie chcą inwestować w antybiotyki

Stworzenie prawdziwie nowego antybiotyku to maraton, nie sprint. Od pierwszej koncepcji do wprowadzenia leku na rynek mija zwykle ponad dekada. Po drodze trzeba przejść kosztowne badania laboratoryjne, testy na zwierzętach, trzy fazy badań klinicznych i szczegółowe analizy bezpieczeństwa.

Wydatki sięgają miliardów dolarów, a biznesowo… to ryzykowna inwestycja. Antybiotyk, który naprawdę działa, powinien być stosowany jak najrzadziej, by nie tracił mocy zbyt szybko. Szpital czy lekarz nie wypisze go hurtem na każdą infekcję, tylko zachowa na wyjątkowe sytuacje. Sprzedaż pozostaje więc ograniczona, a okres „życia” leku niezbyt długi, bo bakterie prędzej czy później i tak znajdą sposób, by się uodpornić.

Niska opłacalność, wysokie ryzyko porażki i surowe regulacje sprawiły, że przemysł farmaceutyczny w znacznej mierze odwrócił się od klasycznych projektów nowych antybiotyków.

Efekt jest taki, że medycyna ma coraz więcej pacjentów z ciężkimi zakażeniami, a coraz mniej świeżych rozwiązań terapeutycznych. W tym miejscu do gry wchodzi sztuczna inteligencja z całkiem nowym sposobem myślenia o leku.

AI jako „chemik laboratoryjny” bez ograniczeń

Jednym z najciekawszych projektów zajmujących się tym problemem kieruje zespół profesora Jamesa Collinsa z Massachusetts Institute of Technology. Naukowcy zadali sobie pytanie: jeśli bakterie ewoluują o wiele szybciej niż tempo pracy ludzi, może trzeba powierzyć szukanie nowych cząsteczek systemowi, który również działa w skali milionów wariantów na dobę?

Model AI został „nakarmiony” całym stuleciem wiedzy na temat antybiotyków: ich struktur chemicznych, mechanizmów działania, znanych efektów ubocznych, a także budowy i zachowania różnych bakterii. Na tej podstawie nauczył się rozpoznawać, które cechy molekuły sprzyjają aktywności przeciwbakteryjnej, a które będą raczej toksyczne dla człowieka.

Zamiast klasycznego podejścia „przetestujmy, co akurat mamy w szufladzie”, algorytm ruszył do przeglądania gigantycznych bibliotek związków chemicznych. Wirtualnie przeanalizował około 45 mln struktur, symulując ich oddziaływanie z bakteriami. Nie trzeba było syntetyzować każdej cząsteczki w realnym laboratorium – AI obliczała szanse powodzenia na podstawie wyuczonych wzorców.

W kilka godzin system może przejrzeć tyle potencjalnych związków, ile zespół ludzi nie byłby w stanie rzetelnie ocenić przez całe zawodowe życie.

Od milionów pomysłów do kilku konkretnych kandydatów

Po pierwszym etapie przesiewu model nie zatrzymał się na pasywnym ocenianiu istniejących struktur. Zaczął je modyfikować, tworząc zupełnie nowe kombinacje. W ten sposób wygenerował około 36 mln unikalnych związków chemicznych, które teoretycznie miały potencjał antybakteryjny.

Dopiero niewielką część z nich chemicy wytworzyli fizycznie i sprawdzili na żywych bakteriach. Z tego etapu wyszły dwie szczególnie obiecujące molekuły, które potrafiły skutecznie zabijać szczepy odporne na stosowane obecnie leki. Co ważne, robiły to w inny sposób niż znane antybiotyki, więc bakterie nie miały jeszcze gotowej tarczy obronnej.

Dla laika dwie cząsteczki na 36 mln mogą brzmieć jak porażka. W realiach badań nad lekami to sukces, który pokazuje skalę przełomu. W tradycyjnych programach rozwojowych często po wielu latach i ogromnych nakładach nie udaje się doprowadzić do etapu, w którym choć jedna substancja przechodzi dalej. Tutaj w krótkim czasie uzyskano dwie realne kandydatki, które przeszły pierwsze praktyczne testy.

AI nie zrobi wszystkiego, ale zmienia zasady gry

Sztuczna inteligencja nie zastąpi laboratoriów, lekarzy ani badań klinicznych. Nie „wyczaruje” też natychmiast gotowego leku dostępnego w aptece. Jej siła leży w czym innym: potrafi przesunąć środek ciężkości najtrudniejszego etapu – szukania igły w stogu siana – na stronę algorytmów, które nie męczą się przy milionach obliczeń.

Podobny zwrot następuje w innych obszarach medycyny. System AlphaFold, rozwijany przez Google DeepMind, przewiduje trójwymiarową strukturę białek na podstawie sekwencji genetycznej. To kluczowe w planowaniu leków, bo wiele antybiotyków wiąże się właśnie z konkretnymi białkami bakterii. Z kolei wyspecjalizowane modele AMR-AI analizują, jak mogą zmieniać się patogeny i jakie mechanizmy oporności mogą wytworzyć w przyszłości.

• AI przyspiesza selekcję kandydatów na leki z milionów do kilku obiecujących związków.
• Symulacje komputerowe ograniczają liczbę kosztownych i czasochłonnych eksperymentów w laboratorium.
• Nowe cząsteczki projektowane są od razu z myślą o omijaniu znanych mechanizmów oporności.
• Modele predykcyjne pomagają ocenić bezpieczeństwo i toksyczność jeszcze przed pierwszą syntezą chemiczną.

Co to oznacza dla pacjentów i lekarzy

Jeśli takie podejście upowszechni się w firmach farmaceutycznych i instytutach badawczych, zmieni się sposób przygotowywania się do walki z zakażeniami. Zamiast desperacko reagować na kolejne szczepy oporne, medycyna zyska narzędzia do szybszego opracowywania planu B i C. Nowe cząsteczki będą mogły trafiać wcześniej do badań, a całe ścieżki rozwojowe – krócić się o lata.

Dla lekarzy oznacza to większą szansę, że w sytuacji, gdy standardowy antybiotyk zawodzi, w szpitalnej aptece znajdzie się inna, nowocześniejsza opcja. Dla pacjentów – większe prawdopodobieństwo, że ciężkie zakażenie nie skończy się powikłaniami, długotrwałym pobytem na oddziale intensywnej terapii ani śmiercią.

Nie zwalnia to jednak nikogo z odpowiedzialności za rozsądne używanie obecnych leków. Antybiotyki nadal trzeba przepisywać z głową, nie leczyć nimi infekcji wirusowych, skrupulatnie kończyć zalecone kuracje. AI może przyspieszyć pojawienie się nowych preparatów, ale jeśli będziemy używać ich tak niefrasobliwie jak dotychczas, oporność wróci jak bumerang.

Sztuczna inteligencja jako część większej układanki

W tle trwają prace nad innymi strategiami: terapiami fagowymi, które wykorzystują wirusy atakujące bakterie, nowymi szczepionkami, lepszą kontrolą zakażeń w szpitalach czy monitoringiem zużycia antybiotyków w rolnictwie. AI może wesprzeć każdy z tych obszarów, analizując dane epidemiologiczne, projektując białka czy pomagając przewidywać ogniska opornych szczepów.

Dla zwykłego pacjenta najważniejszy sygnał jest prosty: era antybiotyków się nie kończy, ale wchodzi w nowy etap. Zamiast liczyć wyłącznie na intuicję naukowców i długie, kosztowne eksperymenty, medycyna zaczyna korzystać z mocy obliczeniowej, która pozwala widzieć znacznie dalej. Jeśli ten kierunek się utrzyma, AI stanie się jednym z głównych narzędzi, które pozwolą utrzymać bakterie w ryzach – i uniknąć powrotu do czasów, gdy zwykłe zapalenie płuc mogło być wyrokiem śmierci.