Umělá inteligence a fyzika spojují síly: Vědci objevují cestu k novým antibiotikům

Vývoj nových antibiotik je v současné době zdlouhavý a nákladný proces, který může trvat déle než deset let a stát přes miliardu dolarů. Navíc, z třinácti nových antibiotik vyvinutých od roku 2017 je deset již neúčinných proti alespoň jednomu typu bakterií.

Infekce odolné vůči antibiotikům představují rostoucí globální zdravotní problém. Vědci odhadují, že do roku 2050 budou tyto infekce spojovány s více než 8 miliony úmrtí ročně po celém světě. Jde o bakteriální infekce, které nereagují na tradiční antibiotika, jako je penicilin, a mohou se rozvinout například po konzumaci kontaminovaných potravin, při otevřených ranách nebo po chirurgických zákrocích. Příkladem je bakterie E. coli, jejíž některé kmeny se staly vysoce rezistentními vůči běžným antibiotikům. Vývoj nových antibiotik je však náročný – uvedení jediného nového léku na trh může trvat deset let a stát přes miliardu dolarů, přičemž deset ze třinácti nových antibiotik vyvinutých od roku 2017 je již neúčinných proti alespoň jednomu typu bakterií.

Potenciální řešení spočívá ve využití generativních modelů umělé inteligence (AI), které pod vedením zkušených vědců dokážou navrhovat zcela nové molekuly. Fyzikální simulace, při nichž počítač napodobuje zákony reality, pak mohou rychle a nákladově efektivně pomoci určit, zda by tyto molekuly mohly být vhodnými léky. Východiskem pro hledání nových léků, zejména antibiotik, jsou peptidy – krátké proteiny, které v našem těle plní mnoho různých funkcí. Příkladem je inzulin, používaný k léčbě cukrovky, nebo vankomycin, důležité antibiotikum produkované bakteriemi v půdě.

Vědci mohou kombinovat AI a fyzikální simulace k navrhování nových peptidů, které budou ničit bakterie. Dobrý model AI se skládá ze dvou částí: generátoru, který dokáže rychle vymyslet miliony nových návrhů, a doporučovače, který navrhuje, který návrh simulovat jako další. Nedávný výzkum ukázal, že pro trénování generátoru je efektivnější poskytnout mu malé množství velmi relevantních informací než velké množství informací méně relevantních. To je klíčové, protože v mnoha případech je k dispozici jen omezené množství relevantních dat, například o antimikrobiálních vlastnostech peptidů.

Fyzikální simulace hrají zásadní roli při ověřování návrhů AI. Peptidy fungují tak, že mění svůj tvar. Mnoho antimikrobiálních peptidů má proměnlivé tvary, které závisí na jejich blízkosti k vnější straně buňky. V simulacích vědci umisťují mnoho peptidů do blízkosti zjednodušené membrány, obklopí celý systém vodou a sledují, jak se atomy peptidů a membrány chovají v průběhu času. Tento „in silico“ mikroskop umožňuje zkoumat děje na molekulární úrovni. Pokud simulované peptidy narušují bakteriální membránu, je pravděpodobné, že jsou antimikrobiální. Pokud narušují membránu červených krvinek, jsou pravděpodobně toxické.

Tento přístup umožňuje předběžně prověřit nové, dosud neviděné peptidy na netoxickou antimikrobiální aktivitu, aniž by bylo nutné vynakládat čas a prostředky na experimentální úsilí. Získané informace ze simulací navíc pomáhají zlepšovat generátory a doporučovače AI. Díky tomu se vědci mohou vyhnout časově náročnému procesu identifikace slibných peptidů a zaměřit své laboratorní experimenty na ověřování jejich klinického použití a bezpečnosti. To by mohlo vést k vývoji většího počtu levnějších léků, právě v době, kdy je jich nejvíce zapotřebí.