AI kontra superbakterie: jak sztuczna inteligencja może uratować erę antybiotyków

Szybko rosnąca oporność bakterii na antybiotyki wymyka się spod kontroli lekarzom i szpitalom na całym świecie.

Coraz częściej nawet proste infekcje stają się trudne do wyleczenia, a arsenał znanych leków przestaje wystarczać. Naukowcy zaczynają więc szukać pomocy tam, gdzie tempo pracy dorównuje bakteriom: w systemach AI analizujących miliardy danych chemicznych i biologicznych.

Od penicyliny do epoki superbakterii

Penicylina, odkryta przypadkiem przez Alexandra Fleminga w 1928 roku, otworzyła erę antybiotyków. Przez dziesięciolecia te leki uchodziły za niemal cudowną broń: pozwoliły okiełznać zapalenia płuc, zakażenia pooperacyjne, sepsę, choroby weneryczne. Medycyna nabrała pewności, że bakterie da się trzymać w ryzach na zawsze.

Problem w tym, że antybiotyki stosowaliśmy zbyt często i zbyt beztrosko – zarówno w medycynie, jak i w hodowli zwierząt. Każda dawka leku wywierała presję selekcyjną na bakterie. Te mikroorganizmy rozmnażają się błyskawicznie, więc mutacje dające przewagę pojawiały się cały czas. Bakterie, które przypadkowo zyskały cechę chroniącą je przed konkretnym antybiotykiem, przeżywały, mnożyły się i przekazywały odporność dalej.

Przeczytaj również: Pranie pościeli: dlaczego 40°C nic nie daje i co robić zamiast

Antybiotyki zmieniły historię medycyny, ale ich nadużywanie stworzyło nową generację przeciwnika: szczepy oporne, które przestają reagować na standardowe leczenie.

W efekcie nasza farmakologiczna „zbroja” zaczęła się kruszyć. Coraz częściej lekarze zderzają się z bakteriami, których niemal nic już nie rusza. Światowa Organizacja Zdrowia klasyfikuje antybiotykooporność jako jedno z najpoważniejszych zagrożeń zdrowotnych nadchodzących dekad.

Ilu ludzi już przegrywa z bakteriami odpornymi na leki

Szacunki są alarmujące. Co roku około 1,1 miliona ludzi umiera z powodu infekcji bakteryjnych, których dostępne leki nie potrafią usunąć. Jeśli obecny trend się utrzyma, do połowy stulecia liczba zgonów może sięgnąć 8 milionów rocznie – więcej niż dziś powodują wszystkie typy nowotworów razem wzięte.

Przeczytaj również: Unikanie słońca może skracać życie jak nałogowe palenie

Naukowcy stale wskazują kilka szczególnie groźnych przykładów. Jednym z nich jest dwoinka rzeżączki, odpowiedzialna za chorobę przenoszoną drogą płciową, która w wielu krajach prawie przestała reagować na antybiotyki pierwszego wyboru. Innym – gronkowiec złocisty, zazwyczaj niewinny lokator ludzkiej skóry, który w niektórych odmianach stał się odporny na metycylinę, dawniej złoty standard terapii.

To tylko czubek góry lodowej. Pod spodem czai się cała lista patogenów, które wchodzą na tę samą drogę. Tempo, w jakim bakterie uczą się neutralizować kolejne leki, przewyższa tempo tworzenia nowych terapii. Między 2017 a 2022 rokiem dopuszczono na rynek zaledwie dwanaście nowych antybiotyków – większość to tylko wariacje znanych grup chemicznych, które bakterie częściowo „rozpracowały” już wcześniej.

Przeczytaj również: Dlaczego rak płuca tak często wraca? Naukowcy wskazują winnego w komórkach

Dlaczego przemysł farmaceutyczny odwraca się od antybiotyków

Opracowanie zupełnie nowej cząsteczki to koszt rzędu miliardów dolarów i ponad dziesięciu lat badań. Dla firm to kiepski interes: skuteczny antybiotyk powinno się stosować jak najrzadziej, aby nie doprowadzić do szybkiego pojawienia się odporności. Niska sprzedaż, duże ryzyko, bardzo ostre regulacje i ogromne koszty badań sprawiły, że wiele koncernów praktycznie wycofało się z tego segmentu.

Medycyna potrzebuje nowych narzędzi w sytuacji, gdy klasyczne badania nad antybiotykami stają się biznesowo nieatrakcyjne i technologicznie ślamazarne.

AI jako nowy łowca leków

Tu pojawia się sztuczna inteligencja. Zespół profesora Jamesa Collinsa z Massachusetts Institute of Technology postanowił podejść do problemu zupełnie inaczej. Skoro bakterie ewoluują w zawrotnym tempie, dlaczego nie zlecić poszukiwania nowych antybiotyków systemowi, który również potrafi działać w skali milionów wariantów na tydzień?

Badacze „nakarmili” algorytm całym stuleciem wiedzy farmakologicznej: strukturami znanych antybiotyków, ich mechanizmami działania, budową komórek bakteryjnych, danymi o toksyczności. Model uczył się, jakie cechy geometryczne i chemiczne cząsteczki zwiększają szansę na silne działanie przeciwbakteryjne przy akceptowalnym profilu bezpieczeństwa.

Miliony struktur, które człowiek widziałby przez setki lat

Gdy system AI opanował podstawowe zasady, rozpoczęto wirtualne „przesiewanie” związków chemicznych. Zamiast sprawdzać pojedyncze cząsteczki w laboratorium, model analizował 45 milionów struktur jedynie na podstawie obliczeń. Dla każdej z nich szacował prawdopodobieństwo, że skutecznie zaatakuje określone bakterie, oraz ryzyko toksyczności.

Następnie algorytm generował i modyfikował kolejne warianty obiecujących związków. W ten sposób powstało łącznie 36 milionów nowych, wcześniej nieistniejących cząsteczek. W klasycznym modelu badań wymagałoby to armii naukowców pracujących przez wiele dekad.

Algorytm w kilka dni przesiał biblioteki chemiczne, które w tradycyjnym laboratorium zajęłyby pokolenia badaczy.

Najciekawsze związki trafiły później do realnych testów na żywych bakteriach. Dwa z nich wykazały wyraźną skuteczność przeciwko szczepom odpornym na leki stosowane dziś w szpitalach. Co ważne, atakowały drobnoustroje innymi mechanizmami niż dotychczasowe leki, więc bakterie nie mogły od razu sięgnąć po swoje „standardowe” strategie obronne.

Czy dwa związki to sukces czy porażka?

Dla laika dwie obiecujące cząsteczki na 36 milionów wygenerowanych mogą brzmieć jak statystyczna katastrofa. W realiach badań farmaceutycznych to bardzo dobry wynik. Wiele projektów kończy się po latach bez choćby jednego kandydata, który przeszedłby do fazy badań przedklinicznych.

Takie rezultaty sugerują, że bariera nie leżała tylko w biologii, ale w naszych dotychczasowych metodach szukania leków. Po prostu nie byliśmy w stanie przeglądać odpowiednio szerokiego obszaru „przestrzeni chemicznej” i wychwytywać subtelnych wzorców, które teraz wyłapuje AI.

• AI potrafi przesiewać miliony cząsteczek znacznie szybciej niż zespoły badawcze.
• Modele takie jak AlphaFold przewidują trójwymiarową strukturę białek bakteryjnych, ułatwiając wskazanie celów dla nowych leków.
• Systemy AMR-AI próbują przewidywać, jak patogeny będą dalej ewoluować pod wpływem terapii.
• Połączenie tych narzędzi zwiększa szansę, że kolejne generacje antybiotyków nie zastarzeją się tak szybko.

Jak AI może realnie wesprzeć lekarzy

Sztuczna inteligencja nie ogranicza się do projektowania cząsteczek. Może pomagać także na wcześniejszych etapach: analizować dane z laboratoriów, przewidywać, które szczepy w danym regionie zaczną dominować, a nawet podpowiadać lekarzowi optymalne schematy terapii, aby zmniejszyć ryzyko powstania odporności.

Wyobraźmy sobie szpitalne laboratorium z systemem, który w kilka minut łączy wyniki posiewu, lokalne statystyki oporności i dane kliniczne pacjenta. Taki moduł AI mógłby wskazać antybiotyk o największej szansie powodzenia przy najmniejszym wpływie na rozwój odporności. To zupełnie inny sposób myślenia niż „strzelanie na ślepo” szerokospektralnym lekiem.

AI nie załatwi wszystkiego – ale bez niej będzie gorzej

Naukowcy podkreślają, że sztuczna inteligencja nie jest magicznym rozwiązaniem. Antybiotykooporność to także efekt złych nawyków: przepisywania leków na wyrost, samodzielnego przerywania terapii, dodawania antybiotyków do paszy dla zwierząt. Bez zmiany praktyk medycznych i regulacji w hodowli nowe leki szybko podzielą los starych.

Mimo to coraz wyraźniej widać, że bez zaawansowanych narzędzi obliczeniowych pozostaniemy w defensywie. Będziemy tworzyć kolejne cząsteczki zbyt wolno, w zbyt wąskim zakresie, podczas gdy bakterie wciąż będą testować tysiące wariantów przetrwania każdego dnia.

AI nie zastąpi rozsądnego używania antybiotyków, ale bez analizy na masową skalę wyścig z superbakteriami będzie przegrany z góry.

Dla zwykłego pacjenta ta historia brzmi abstrakcyjnie, lecz ma bardzo przyziemne konsekwencje. Jeśli trend się nie odwróci, powrót do czasów, gdy wyrostek robaczkowy czy zakażony ząb groziły śmiercią, przestaje być czystą teorią. Każda technologia, która przyspiesza prace nad nowymi terapiami i pozwala lepiej zarządzać tymi istniejącymi, realnie zmniejsza ryzyko powrotu takich scenariuszy.

Warto też pamiętać, że sztuczna inteligencja uczy się na tym, co jej dostarczymy. Im więcej wysokiej jakości danych z laboratoriów, szpitali i badań, tym trafniej modele będą typować związki o potencjale terapeutycznym. Od decyzji regulatorów, finansowania badań i międzynarodowej współpracy zależy, czy AI stanie się tylko ciekawostką w kilku projektach, czy trzonem nowej strategii walki z superbakteriami.