Deep learning AI opdager overraskende nye antibiotika

Forestil dig, at du er en fossiljæger. Du tilbringer måneder i varmen i Arizona på at grave knogler op kun for at finde ud af, at det, du har afsløret, er fra en tidligere opdaget dinosaur.

Sådan er søgningen efter antibiotika forløbet for nylig. De relativt få antibiotikajægere derude bliver ved med at finde de samme typer antibiotika.

Med den hurtige stigning i lægemiddelresistens hos mange patogener, der er desperat brug for nye antibiotika. Det kan kun være et spørgsmål om tid, før et sår eller en ridse bliver livstruende. Alligevel er der for sent kommet nye antibiotika på markedet, og selv disse er kun mindre varianter af gamle antibiotika.

Mens udsigterne ser dystre ud, den seneste revolution inden for kunstig intelligens (AI) giver nyt håb. I en undersøgelse offentliggjort den 20. februar i tidsskriftet Celle , forskere fra MIT og Harvard brugte en type AI kaldet deep learning til at opdage nye antibiotika.

Den traditionelle måde at opdage antibiotika - fra jord eller planteekstrakter - har ikke afsløret nye kandidater, og der er mange sociale og økonomiske forhindringer for at løse dette problem, såvel. Nogle videnskabsmænd har for nylig forsøgt at tackle det ved at søge i bakteriers DNA for nye antibiotikaproducerende gener. Andre leder efter antibiotika på eksotiske steder, såsom i vores næse.

Narkotika fundet gennem sådanne ukonventionelle metoder står over for en stenet vej for at nå markedet. De lægemidler, der er effektive i en petriskål, virker muligvis ikke godt inde i kroppen. De absorberes muligvis ikke godt eller kan have bivirkninger. Fremstilling af disse lægemidler i store mængder er også en betydelig udfordring.

Dyb læring

Gå ind i dyb læring. Disse algoritmer driver mange af nutidens ansigtsgenkendelsessystemer og selvkørende biler. De efterligner, hvordan neuroner i vores hjerner fungerer ved at lære mønstre i data. En individuel kunstig neuron - som en minisensor - kan måske opdage simple mønstre som linjer eller cirkler. Ved at bruge tusindvis af disse kunstige neuroner, deep learning AI kan udføre ekstremt komplekse opgaver som at genkende katte i videoer eller opdage tumorer i biopsibilleder.

I betragtning af dets magt og succes, det er måske ikke overraskende at erfare, at forskere på jagt efter nye lægemidler omfavner deep learning AI. Alligevel er det ingen triviel opgave at bygge en kunstig intelligens-metode til at opdage nye lægemidler. For en stor del, Dette skyldes, at der inden for kunstig intelligens ikke er gratis frokost.

No Free Lunch-sætningen siger, at der ikke er nogen universelt overlegen algoritme. Det betyder, at hvis en algoritme fungerer spektakulært i én opgave, sige ansigtsgenkendelse, så vil det mislykkes spektakulært i en anden opgave, ligesom opdagelse af lægemidler. Derfor kan forskerne ikke blot bruge standard-deep learning AI.

Harvard-MIT-teamet brugte en ny type deep learning AI kaldet grafneurale netværk til opdagelse af stoffer. Tilbage i AI-stenalderen i 2010, AI-modeller til lægemiddelopdagelse blev bygget ved hjælp af tekstbeskrivelser af kemikalier. Det er ligesom at beskrive en persons ansigt gennem ord som "mørke øjne" og "lang næse". Disse tekstbeskrivelser er nyttige, men tegner naturligvis ikke hele billedet. AI-metoden anvendt af Harvard-MIT-teamet beskriver kemikalier som et netværk af atomer, hvilket giver algoritmen et mere komplet billede af kemikaliet, end tekstbeskrivelser kan give.

Menneskelig viden og AI blanke skifer

Men dyb læring alene er ikke tilstrækkelig til at opdage nye antibiotika. Det skal kombineres med dyb biologisk viden om infektioner.

Harvard-MIT-teamet trænede omhyggeligt AI-algoritmen med eksempler på lægemidler, der er effektive og dem, der ikke er. Ud over, de brugte stoffer, der vides at være sikre hos mennesker, til at træne AI. De brugte derefter AI-algoritmen til at identificere potentielt sikre, men potente antibiotika fra millioner af kemikalier.

I modsætning til mennesker, AI har ingen forudfattede meninger, især om, hvordan et antibiotikum skal se ud. Brug af gammeldags AI, mit laboratorium opdagede for nylig nogle overraskende kandidater til behandling af tuberkulose, herunder et antipsykotisk lægemiddel. I undersøgelsen fra Harvard-MIT-teamet, de fandt en guldmine af nye kandidater. Disse kandidatlægemidler ligner ikke eksisterende antibiotika. En lovende kandidat er Halicin, et lægemiddel, der undersøges til behandling af diabetes.

halicin, overraskende, var potent ikke kun imod E coli , bakterierne AI-algoritmen blev trænet på, men også på mere dødelige patogener, herunder dem, der forårsager tuberkulose og tyktarmsbetændelse. Især Halicin var potent mod lægemiddelresistent Acinetobacter baumanni . Denne bakterie topper listen over de mest dødelige patogener, som er udarbejdet af Centers for Disease Control and Prevention.

Desværre, Halicins brede styrke tyder på, at det også kan ødelægge ufarlige bakterier i vores krop. Det kan også have metaboliske bivirkninger, da det oprindeligt var designet som et anti-diabetisk lægemiddel. I betragtning af det store behov for nye antibiotika, det kan være små ofre at betale for at redde liv.

At være på forkant med udviklingen

Givet løftet om Halicin, skal vi stoppe søgen efter nye antibiotika?

Halicin kan fjerne alle forhindringer og til sidst nå markedet. Men den mangler stadig at overvinde en ubønhørlig fjende, der er hovedårsagen til lægemiddelresistenskrisen:evolution. Mennesker har kastet adskillige stoffer mod patogener i løbet af det sidste århundrede. Alligevel har patogener altid udviklet resistens. Så det ville sandsynligvis ikke vare længe, ​​før vi støder på en halicin-resistent infektion. Alligevel, med kraften i deep learning AI, vi kan nu være bedre egnet til hurtigt at reagere med et nyt antibiotikum.

Mange udfordringer ligger forude for potentielle antibiotika opdaget ved hjælp af AI for at nå klinikken. De forhold, hvorunder disse lægemidler testes, er forskellige fra dem inde i den menneskelige krop. Nye AI-værktøjer bliver bygget af mit laboratorium og andre for at simulere kroppens indre miljø for at vurdere antibiotikastyrken. AI-modeller kan også nu forudsige lægemiddeltoksicitet og bivirkninger. Disse AI-teknologier tilsammen kan snart give os et ben i den uendelige kamp mod narkotikaresistens.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.