AI kontra superbakterie: jak sztuczna inteligencja ratuje erę antybiotyków

Rosnąca odporność bakterii na antybiotyki sprawia, że medycyna traci jedną ze swoich najważniejszych broni. Naukowcy zaczynają więc opierać się na AI, która potrafi w kilka dni przeanalizować to, co ludziom zajęłoby całe pokolenia pracy.

Od penicyliny do epoki superbakterii

Penicylina, którą Alexander Fleming opisał w 1928 roku, otworzyła zupełnie nowy rozdział w historii medycyny. Antybiotyki pozwoliły opanować choroby, które wcześniej kończyły się często śmiercią: zapalenie płuc, sepsę, zakażenia pooperacyjne. Przez dziesięciolecia były traktowane jak cudowny środek, więc używano ich bardzo szeroko – często zbyt szeroko.

Każda dawka antybiotyku to dla bakterii brutalna selekcja. Te, które przypadkowo niosą mutacje dające im przewagę, przeżywają i przekazują ją dalej. Bakterie mnożą się błyskawicznie, więc ich ewolucja biegnie w tempie, którego ludzka medycyna nie nadąża dogonić. Skutek? Powstają szczepy odporne na kolejne leki, nazywane potocznie superbakteriami.

Według szacunków co roku około 1,1 mln osób umiera z powodu zakażeń bakteriami, na które dostępne antybiotyki już nie działają.

Jeśli nic się nie zmieni, do 2050 roku liczba zgonów może sięgnąć 8 mln rocznie. To więcej, niż obecnie powodują łącznie wszystkie typy nowotworów. Światowa Organizacja Zdrowia uznaje zjawisko oporności na antybiotyki za jedno z największych zagrożeń zdrowia publicznego.

Przeczytaj również: Domowy sprzęt z Decathlonu, który naprawdę atakuje brzuch i boczki

Kiedy stare leki przestają wystarczać

Naukowcy od lat ostrzegają, że lista skutecznych antybiotyków dramatycznie się skraca. Niektóre bakterie stały się wręcz podręcznikowymi przykładami niebezpiecznej oporności.

• Neisseria gonorrhoeae – drobnoustrój wywołujący rzeżączkę, coraz częściej opiera się większości standardowych terapii.
• Staphylococcus aureus – częsty „lokator” ludzkiej skóry, zwykle nieszkodliwy, ale niektóre jego szczepy, w tym MRSA, stały się trudne do leczenia, bo nie reagują na metycylinę i inne popularne antybiotyki.

To tylko wierzchołek góry lodowej. Dziesiątki kolejnych patogenów idą tą samą drogą. Bakterie szybciej uczą się omijać nasze leki, niż my jesteśmy w stanie tworzyć nowe cząsteczki. Między 2017 a 2022 rokiem na rynek trafiło zaledwie dwanaście nowych antybiotyków – i prawie wszystkie były tylko modyfikacjami znanych już klas substancji, przeciw którym bakterie często mają już mechanizmy obrony.

Przeczytaj również: Neurolog: krótkie nicnierobienie może realnie zmniejszać ryzyko Alzheimera

Wymyślenie zupełnie nowej molekuły to droga przez mękę: ponad dziesięć lat badań, ogromne koszty, niepewny zysk. Paradoks polega na tym, że im lepszy antybiotyk, tym ostrożniej powinno się go używać, żeby nie przyspieszać powstawania odporności. Dla firm farmaceutycznych to mało atrakcyjny biznes. W efekcie część przemysłu po cichu odsunęła się od tego obszaru, choć problem medyczny tylko narasta.

AI jako brakujące narzędzie w walce z opornością

Medycyna zaczyna więc szukać wsparcia poza tradycyjnymi metodami. Pojawienie się wyspecjalizowanych systemów AI daje tu zupełnie nowe możliwości. Kluczowe jest to, że algorytmy potrafią przetwarzać potężne zbiory danych i szukać w nich wzorców, których człowiek nie dostrzeże gołym okiem.

Przeczytaj również: Psy w intensywnej terapii? Szpital testuje niezwykły sposób wsparcia chorych

Przykładem jest system AlphaFold, który przewiduje trójwymiarową strukturę białek. Dzięki temu naukowcy są w stanie znacznie szybciej zrozumieć, jak wyglądają „cele” w komórkach bakterii, do których można przyczepić nową cząsteczkę leku. Z kolei wyspecjalizowane modele, takie jak AMR-AI, służą do prognozowania, w jaki sposób patogeny mogą dalej ewoluować i jakie mechanizmy obronne jeszcze wytworzą.

Sercem nowych strategii jest możliwość przeanalizowania w krótkim czasie tego, co wcześniej wymagało całych dekad badań laboratoryjnych.

AI uczy się na dziesiątkach lat badań farmakologicznych i biologicznych, wchłania wiedzę o strukturach chemicznych, toksyczności, mechanizmach działania leków. Na tej podstawie może „typować” najbardziej obiecujące cząsteczki, zanim ktokolwiek zacznie je w ogóle wytwarzać w rzeczywistości.

Superbakterie jako poligon dla nowych algorytmów

Jednym z najgłośniejszych projektów wykorzystujących takie podejście jest inicjatywa zespołu prof. Jamesa Collinsa z MIT. Naukowcy postanowili odwrócić logikę tradycyjnych badań. Skoro bakterie ewoluują szybciej niż my projektujemy leki, to może warto zbudować system, który będzie pracował w ich tempie.

Miliony cząsteczek w kilka dni

Na początku algorytm „karmiono” wszystkim, co farmakologia zgromadziła przez ostatnie sto lat: strukturami znanych antybiotyków, opisami ich działania, informacjami o budowie bakterii, profilach toksyczności. Celem było wytrenowanie modelu tak, by nauczył się rozpoznawać, jakie cechy geometryczne cząsteczki sprzyjają skutecznemu zwalczaniu bakterii.

Kiedy system zrozumiał te zależności, przystąpił do analizy ogromnych bibliotek chemicznych. Zamiast klasycznych testów w probówce, AI przeprowadziła wirtualne „przesiewanie”:

• ocena około 45 mln struktur chemicznych na podstawie wnioskowania, a nie fizycznych eksperymentów,
• symulacja interakcji molekuł z bakteriami i wyliczanie prawdopodobieństwa, że dana substancja zadziała jak antybiotyk,
• iteracyjne modyfikowanie najbardziej obiecujących związków i generowanie kolejnych kandydatów.

W efekcie tych iteracji model stworzył aż 36 mln nowych, wcześniej nieistniejących związków chemicznych. Tylko niewielką część z nich wybrano do syntetyzowania w realnym laboratorium, bo dalsza selekcja wciąż odbywała się wirtualnie.

Dwa realne sukcesy i ważna zmiana perspektywy

Spośród cząsteczek, które faktycznie wyprodukowano i przetestowano na żywych bakteriach, dwie wykazały wyraźną skuteczność wobec szczepów opornych na dostępne dziś leki. Co istotne, ich sposób działania różni się na tyle od już używanych antybiotyków, że istnieje szansa na przynajmniej czasowe przełamanie dotychczasowych mechanizmów obronnych bakterii.

Dwie obiecujące molekuły na 36 mln wcale nie są porażką. W klasycznych programach rozwoju leków często nie przechodzi dalej ani jedna.

Standardowe projekty w farmakologii często kończą się po latach i setkach milionów dolarów wydanych na badania, bez choćby jednego kandydata, który dotrze do etapu badań klinicznych. W tym sensie fakt, że algorytm wskazał dwie wiarygodne cząsteczki, pokazuje, że największą barierą nie był brak pomysłów, ale ograniczenia naszych dotychczasowych narzędzi.

AI nie zastąpi lekarzy, ale zmieni zasady gry

Nikt poważny nie twierdzi, że sztuczna inteligencja sama „załatwi” problem lekooporności. Każda nowa molekuła nadal musi przejść żmudne testy bezpieczeństwa, badania na zwierzętach i ludziach, procedury rejestracyjne. To lata pracy i spore ryzyko. Rola AI polega raczej na skróceniu i odchudzeniu najdroższego, najbardziej ryzykownego etapu – momentu, gdy szukamy igły w stogu siana.

Zmienia się też sposób patrzenia na profilaktykę. Modele analizujące dane z laboratoriów, szpitali i przychodni mogą szybciej wychwytywać, gdzie pojawiają się nowe wzorce oporności. Dzięki temu łatwiej korygować wytyczne dotyczące przepisywania antybiotyków, dobrać leki do lokalnej sytuacji w konkretnym szpitalu, a nie opierać się tylko na ogólnych zaleceniach sprzed kilku lat.

Co może zrobić zwykły pacjent

Choć historia AI i superbakterii brzmi jak opowieść z poziomu wielkich laboratoriów, codzienne decyzje też mają wpływ na rozwój lekooporności. Kilka prostych zasad naprawdę robi różnicę:

• nie brać antybiotyków „na zapas” ani na własną rękę bez badania lekarskiego,
• nie przerywać kuracji, gdy tylko objawy ustąpią – to premiuje najsilniejsze bakterie,
• nie sięgać po resztki leków z poprzednich infekcji,
• pytać lekarza, czy antybiotyk na pewno jest konieczny, zwłaszcza przy infekcjach wirusowych, np. typowym przeziębieniu,
• dbać o szczepienia i higienę, bo każda niewystąpiona infekcja to jeden kurs antybiotyku mniej.

AI pomoże projektować nowe leki, lecz bez rozsądnego używania starych bardzo szybko doprowadzimy także te świeżo opracowane do stanu bezużyteczności. To swoista gra zespołowa: algorytmy, lekarze, producenci i pacjenci, każdy ma swoje zadanie.

Na horyzoncie pojawiają się też inne, powiązane rozwiązania, w których sztuczna inteligencja może odegrać rolę. Chodzi choćby o dopasowywanie terapii do konkretnego pacjenta na podstawie analizy genomu bakterii, przyspieszoną diagnostykę w oparciu o sekwencjonowanie materiału genetycznego czy wspieranie projektowania terapii skojarzonych, łączących kilka leków naraz. Każde z tych podejść zwiększa szansę, że przyszłe pokolenia wciąż będą mogły leczyć zwykłe zakażenie gardła bez strachu o powikłania, które dziś kojarzą się raczej z czasami sprzed penicyliny.