AI w walce z superbakteriami: jak sztuczna inteligencja może uratować antybiotyki

Sztuczna inteligencja wchodzi do gry w momencie, gdy medycyna zaczyna przegrywać z bakteriami odpornymi na leki.

Od czasu odkrycia penicyliny antybiotyki uratowały setki milionów osób. Dziś ten sukces obraca się przeciw nam, bo bakterie nauczyły się omijać kolejne leki, a klasyczne metody pracy nad nowymi substancjami zwyczajnie nie nadążają. Coraz wyraźniej widać, że bez wsparcia algorytmów czeka nas powrót do czasów, gdy zwykła infekcja mogła skończyć się śmiercią.

Antybiotykooporność: cicha pandemia, która przyspiesza

Światowa Organizacja Zdrowia wskazuje oporność na antybiotyki jako jedną z najpoważniejszych globalnych groźb dla zdrowia. Liczby są brutalne: co roku około 1,1 miliona ludzi umiera z powodu infekcji bakteryjnych, których dostępne leki nie potrafią już zwalczyć. Prognozy na 2050 rok mówią nawet o 8 milionach zgonów rocznie – więcej niż obecnie powodują wszystkie nowotwory razem.

Problem nie dotyczy egzotycznych patogenów, tylko bakterii, z którymi medycyna miała kiedyś świetnie radzić. Naukowcy często przywołują dwa szczególnie niepokojące przykłady.

• Neisseria gonorrhoeae – bakteria odpowiedzialna za rzeżączkę. Dawniej kilka tabletek rozwiązywało sprawę, dziś wiele szczepów ignoruje niemal wszystkie antybiotyki pierwszego wyboru.
• Staphylococcus aureus – gronkowiec złocisty. U części osób żyje na skórze bezobjawowo, ale niektóre jego linie stały się odporne na metycylinę, przez lata uważaną za złoty standard w leczeniu zakażeń gronkowcowych.

Za tymi dwoma nazwami stoją dziesiątki innych bakterii, które wchodzą na podobną ścieżkę. Patogeny zmieniają się szybciej, niż medycyna jest w stanie wprowadzać nowe leki. Z perspektywy lekarzy obecna farmakologia coraz bardziej przypomina zbroję pełną pęknięć, przez które mikroorganizmy sprytnie się przeciskają.

Jeśli nic się nie zmieni, odporne bakterie mogą w połowie wieku zabijać więcej osób niż nowotwory.

Dlaczego nowe antybiotyki niemal nie powstają

Między 2017 a 2022 rokiem na rynek trafiło jedynie 12 nowych antybiotyków. Większość to modyfikacje starych cząsteczek, a nie przełomowe leki. Co gorsza, bakterie często miały już gotowe mechanizmy obronne przeciw spokrewnionym substancjom.

Stworzenie naprawdę nowej cząsteczki to minimum kilkanaście lat pracy i miliardowe nakłady. Dla koncernów farmaceutycznych to wyjątkowo niewdzięczny biznes. Skuteczny antybiotyk z definicji powinien być używany rzadko, aby zbyt szybko nie pojawiła się oporność. To oznacza małe przychody, krótką „przydatność terapeutyczną” i duże ryzyko, że inwestycja nigdy się nie zwróci.

Efekt? Coraz więcej firm wycofuje się z klasycznych programów badawczych nad antybiotykami, zanim nauka zdąży znaleźć nowe rozwiązania. Mamy więc jednocześnie rosnące zagrożenie i słabnące zainteresowanie przemysłu.

Gdzie wchodzi AI: od zgadywania do inteligentnego typowania cząsteczek

W tej sytuacji badacze sięgają po sztuczną inteligencję. W medycynie mówi się o niej głównie przy diagnozowaniu chorób ze zdjęć czy analizy wyników badań, ale równie rewolucyjny może być jej wpływ na sam proces projektowania leków.

Jednym z przykładów jest system AlphaFold, który przewiduje trójwymiarową strukturę białek. Dzięki temu naukowcy lepiej rozumieją, jak zbudowane są cele molekularne w komórkach bakterii, a więc gdzie i jak nowy antybiotyk powinien „uderzyć”. Inne modele, takie jak AMR-AI, próbują przewidywać, w jaki sposób patogeny będą ewoluować i jakie mechanizmy oporności mogą rozwinąć w przyszłości.

Moc AI polega na tym, że potrafi przeanalizować w kilka dni to, co ludziom zajęłoby całe dekady, i wyciągnąć z tego sensowne wskazówki.

Eksperyment z MIT: 45 milionów struktur na ekranie zamiast w probówkach

Na Massachusetts Institute of Technology zespół profesora Jamesa Collinsa postanowił postawić sprawę na głowie. Skoro bakterie zmieniają się w zawrotnym tempie, to może nowymi antybiotykami powinien zająć się algorytm, który pracuje równie szybko jak one?

Naukowcy „nakarmili” model AI danymi, które farmakologia zbierała przez ostatnie sto lat:

• struktury wszystkich znanych antybiotyków,
• informacje o ich mechanizmach działania,
• szczegóły budowy i zachowania różnych bakterii,
• dane o toksyczności i działaniach niepożądanych.

Celem było nauczenie algorytmu, jak wygląda cząsteczka, która ma szansę skutecznie atakować bakterie, a jednocześnie nie szkodzić człowiekowi. Gdy model opanował te zależności, zaczął samodzielnie przeglądać gigantyczne zbiory związków chemicznych.

Zamiast klasycznej metody „prób i błędów” w laboratorium, AI analizowała 45 milionów struktur chemicznych jedynie na podstawie obliczeń. Dla każdej z nich oceniała, jak duża jest szansa, że poradzi sobie z odpornymi bakteriami i czy jej budowa nie wskazuje na silną toksyczność.

36 milionów nowych cząsteczek i dwie realne nadzieje

Na podstawie kolejnych iteracji algorytm nie tylko wybierał najlepiej zapowiadające się struktury, lecz także modyfikował je i generował nowe. W rezultacie powstało 36 milionów całkowicie świeżych związków , których wcześniej nie projektował żaden zespół badawczy.

Najciekawsze z nich zsyntetyzowano i przetestowano na prawdziwych, odpornych bakteriach. Dwa związki wykazały wyraźnie wysoką skuteczność wobec trudnych szczepów, a ich sposób działania znacząco różnił się od tego, jak pracują obecne antybiotyki. To szczególnie ważne, bo zmniejsza ryzyko, że bakterie od razu wykorzystają stare mechanizmy obronne.

Dwie obiecujące cząsteczki na 36 milionów to w badaniach nad lekami nie porażka, lecz duży sukces – typowe projekty kończą się bez ani jednej takiej kandydatki.

W praktyce oznacza to, że barierą niekoniecznie były same prawa biologii, ale ograniczone możliwości człowieka do przeszukiwania niewyobrażalnie rozległego „kosmosu chemicznego”. AI otwiera drogę do rejonów, do których tradycyjne laboratoria po prostu nigdy by nie dotarły.

AI nie załatwi wszystkiego, ale bez niej będziemy za wolni

Nawet najbardziej zaawansowany algorytm nie zastąpi badań klinicznych, testów bezpieczeństwa czy odpowiedzialnego stosowania antybiotyków. Kandydat na lek, wytypowany przez model, musi przejść całą ścieżkę od badań na komórkach, przez zwierzęta, aż po duże próby z udziałem ludzi. To nadal lata pracy.

Różnica tkwi w tym, że sztuczna inteligencja może drastycznie zmniejszyć liczbę ślepych zaułków. Zamiast wydawać miliardy na projekty, które kończą się brakiem choćby jednej sensownej cząsteczki, badacze dostają szansę startu z listą kandydatów wybranych na podstawie twardych danych, a nie przeczucia.

Coraz wyraźniej widać też, że bez takich narzędzi pozostaniemy przy metodzie powolnego błądzenia, podczas gdy bakterie mnożą się i mutują w zastraszającym tempie. AI nie jest magiczną różdżką, ale raczej potężnym mikroskopem, który pozwala zobaczyć to, co dla ludzkiej intuicji pozostaje niewidoczne.

Co to oznacza dla zwykłego pacjenta

Dla przeciętnej osoby informacja o setkach milionów struktur chemicznych może brzmieć abstrakcyjnie. Przekłada się to jednak na bardzo konkretne sprawy: szansę na skuteczną terapię zakażeń, które dziś wymykają się kontroli.

W najbliższych latach można spodziewać się większej liczby „inteligentnie zaprojektowanych” antybiotyków, które będą celować w precyzyjnie dobrane mechanizmy bakterii. Jednocześnie lekarze coraz częściej będą korzystać z systemów AI przy wyborze leczenia, na przykład analizujących lokalne dane o oporności i dobierających lek o najwyższej szansie powodzenia.

Czy AI wystarczy, jeśli nadal nadużywamy antybiotyków

Cały postęp technologiczny nie ma sensu, jeśli antybiotyki będą przepisywane i przyjmowane bez zastanowienia. Każda niepotrzebna kuracja przyspiesza uodparnianie się bakterii na kolejne leki. AI może pomóc w zrozumieniu mechanizmów oporności i w projektowaniu nowych cząsteczek, ale nie cofnie szkód wyrządzonych przez masowe nadużywanie.

Konieczne są więc równoległe działania: edukacja pacjentów, aby nie wymuszali antybiotyku na lekarzu przy każdej infekcji wirusowej; jasne wytyczne dla lekarzy; lepsza kontrola stosowania leków w hodowli zwierząt. Algorytmy mogą wspierać takie programy, na przykład analizując dane z recept i wykrywając miejsca, gdzie leki są nadmiernie używane.

Widać wyraźnie, że najciekawsze efekty pojawiają się wtedy, gdy sztuczna inteligencja pracuje ramię w ramię z ludźmi. Naukowcy wykorzystują ją do przesiewu milionów cząsteczek, lekarze – do wyboru terapii, epidemiolodzy – do śledzenia rozprzestrzeniania się opornych szczepów. Same modele komputerowe nie uratują medycyny, ale mogą dać jej czas i narzędzia, by nadrobiła dystans, jaki bakterie zyskały przez dekady beztroskiego korzystania z antybiotyków.