Naukowcy z Uniwersytetu w Teksasie wykorzystali sztuczną inteligencję do opracowania bezpieczniejszej i skutecznej wersji antybiotyku, która okazała się obiecująca w badaniach na zwierzętach. Ta nowa metoda może przyspieszyć tworzenie metod leczenia infekcji bakteryjnych opornych na antybiotyki. Źródło: Uniwersytet Teksasu w Austin
Do opracowania wersji leku zabijającego bakterie, który kiedyś był toksyczny dla ludzi, wykorzystano duży model językowy, podobny do sztucznej inteligencji obsługującej ChatGPT.
Badacze z Uniwersytetu Teksasu w Austin, chcąc zaspokoić popyt na bezpieczniejsze i skuteczniejsze antybiotyki, wykorzystali sztuczna inteligencja stworzenie nowego leku, który już wykazuje obiecujące wyniki w badaniach na zwierzętach.
Publikując swoje wyniki w Przyroda Inżynieria Biomedycznanaukowcy opisują wykorzystanie dużego modelu językowego – narzędzia sztucznej inteligencji, takiego jak to, które napędza ChatGPT – do opracowania wersji leku zabijającego bakterie, który wcześniej był toksyczny dla ludzi, tak aby był bezpieczny w użyciu.
Rokowania dla pacjentów z niebezpiecznymi infekcjami bakteryjnymi pogorszyły się w ostatnich latach w związku z rozprzestrzenianiem się szczepów bakteryjnych opornych na antybiotyki i zahamowaniem rozwoju nowych możliwości leczenia. Jednak badacze z UT twierdzą, że narzędzia AI zmieniają zasady gry.
„Odkryliśmy, że duże modele językowe stanowią duży krok naprzód uczenie maszynowe zastosowań w inżynierii białek i peptydów” – powiedział Claus Wilke, profesor biologii integracyjnej oraz statystyki i nauk o danych, a także współautor nowego artykułu. „Wiele przypadków użycia, które nie były wykonalne w przypadku wcześniejszych podejść, zaczyna teraz działać. Przewiduję, że te i podobne podejścia będą w przyszłości szeroko stosowane przy opracowywaniu środków terapeutycznych lub leków”.
Zastosowania AI w opracowywaniu leków
Duże modele językowe, czyli LLM, zostały pierwotnie zaprojektowane do generowania i badania sekwencji tekstu, ale naukowcy znajdują kreatywne sposoby zastosowania tych modeli w innych dziedzinach. Na przykład, tak jak zdania składają się z sekwencji słów, tak białka składają się z sekwencji aminokwasy. LLM skupiają słowa, które mają wspólne cechy (takie jak kot, pies i chomik) w tak zwanej „przestrzeni osadzania” o tysiącach wymiarów. Podobnie białka o podobnych funkcjach, takich jak zdolność do zwalczania niebezpiecznych bakterii bez ranienia ludzi, którzy są ich gospodarzami, mogą skupiać się we własnej wersji przestrzeni do osadzania sztucznej inteligencji.
„Przestrzeń zawierająca wszystkie cząsteczki jest ogromna” – powiedział Davies, współautor nowego artykułu. „Uczenie maszynowe pozwala nam znaleźć obszary przestrzeni chemicznej, które mają właściwości, które nas interesują, i może to zrobić znacznie szybciej i dokładniej niż standardowe podejście laboratoryjne wykonywane pojedynczo”.
W ramach tego projektu naukowcy wykorzystali sztuczną inteligencję, aby zidentyfikować sposoby przeprojektowania istniejącego antybiotyku o nazwie Protegrin-1, który doskonale zabija bakterie, ale jest toksyczny dla ludzi. Protegrina-1, naturalnie wytwarzana przez świnie w celu zwalczania infekcji, należy do podtypu antybiotyków zwanych peptydami przeciwdrobnoustrojowymi (AMP). AMP na ogół zabijają bakterie bezpośrednio, niszcząc błony komórkowe, ale wiele z nich atakuje zarówno błony komórkowe bakterii, jak i ludzi.
Innowacje dzięki sztucznej inteligencji na rzecz bezpieczniejszych antybiotyków
Po pierwsze, naukowcy wykorzystali opracowaną wcześniej przez nich wysokoprzepustową metodą stworzyć ponad 7000 odmian Protegriny-1 i szybko zidentyfikować obszary AMP, które można modyfikować bez utraty jej aktywności antybiotykowej.
Następnie przeszkolili białko LLM na podstawie tych wyników, aby model mógł ocenić miliony możliwych wariantów trzech cech: selektywne celowanie w błony bakteryjne, silne zabijanie bakterii i nie uszkadzanie ludzkich czerwonych krwinek, aby znaleźć te, które trafiły w czuły punkt wszystkich trzy. Model pomógł następnie zespołowi opracować bezpieczniejszą i skuteczniejszą wersję Protegriny-1, którą nazwano selektywną bakteriobójczo Protegriną-1.2 (bsPG-1.2).
U myszy zakażonych bakteriami wielolekoopornymi i leczonych bsPG-1.2 prawdopodobieństwo wystąpienia wykrywalnych bakterii w narządach sześć godzin po zakażeniu było znacznie mniejsze w porównaniu z myszami nieleczonymi. Jeśli dalsze badania przyniosą podobnie pozytywne wyniki, badacze mają nadzieję ostatecznie wprowadzić wersję antybiotyku opartego na sztucznej inteligencji do badań na ludziach.
„Wpływ uczenia maszynowego jest dwojaki” – powiedział Davies. „Wskaże nowe cząsteczki, które mogą potencjalnie pomóc ludziom, i pokaże nam, w jaki sposób możemy wykorzystać istniejące cząsteczki antybiotyków i ulepszyć je oraz skoncentrować naszą pracę, aby szybciej wprowadzić je do praktyki klinicznej”.
Odniesienie: „Głębokie skanowanie mutacyjne i uczenie maszynowe do analizy cech peptydów przeciwdrobnoustrojowych napędzających selektywność błony” Justina R. Randalla, Luiza C. Vieiry, Clausa O. Wilke i Bryana W. Daviesa, 31 lipca 2024 r., Natura Inżynieria Biomedyczna.
DOI: 10.1038/s41551-024-01243-1
Pieniądze na badania zapewniła Fundacja im Narodowe Instytuty ZdrowiaFundację Welcha, Agencję Redukcji Zagrożeń Obronnych i Ręcznie robioną wódkę Tito.
