Arzneimittelresistente Mikroben einschließlich Bakterien, Pilze, Parasiten und Viren sind eine wachsende globale Bedrohung. Etwa fünf Millionen Todesfälle im Jahr 2021 waren mit bakterieller antimikrobieller Resistenz verbunden—eine jährliche Belastung, die sich bis 2050 voraussichtlich verdoppeln wird. Es kann Jahre dauern, Moleküle mit Potenzial als Antimikrobielle zu finden.

Forscher nutzen KI, um diese frühe Entdeckungsphase zu beschleunigen. César de la Fuente, Bioingenieur dessen interdisziplinäres Labor nach antimikrobiellen Kandidaten sucht, sagte antimikrobielle Resistenz sei eine der größten existenziellen Bedrohungen für die Menschheit. Sein Labor verwendet Deep-Learning-Modelle, die trainiert sind, Muster in biologischen Sequenzen zu erkennen, um in umfangreichen Genom- und Proteindatensätzen nach potenziellen Antimikrobiellen zu suchen und die Erstsuche von Jahren auf Stunden zu verkürzen.

Neben eigenen KI-Modellen nutzt das Labor Chat GPT und Codex, um Hypothesen zu entwickeln, Code zu schreiben und zu verbessern, Datensätze zu verarbeiten, Ergebnisse zu analysieren und Ideen über wissenschaftliche Disziplinen hinweg zu verknüpfen. Der Ansatz konzentriert sich auf Biologie als Informationssystem, wobei Nukleotide und Aminosäuren ein Alphabet bilden, um die Organisationsprinzipien des Lebens zu entschlüsseln. Nur ein Bruchteil des Genoms hat eine klar verstandene Funktion, und noch weniger kodieren Moleküle, die infektiöse Mikroben bekämpfen können.

KI hilft, vielversprechende Signale in riesigen Datensätzen zu identifizieren und Kandidaten für experimentelle Tests zu priorisieren. Die Identifizierung eines Kandidaten garantiert jedoch nicht, dass er zu einem wirksamen Medikament wird. Wissenschaftler müssen bestätigen, dass das Molekül den Zielmikroben abtötet, die wirksame Dosis bestimmen, Wirkungen auf menschliche Zellen testen, Sicherheit und Stabilität optimieren, Toxizität und Resistenzentwicklung bewerten und die Herstellbarkeit sicherstellen.

Kandidaten, die diese Hürden nehmen, müssen dennoch regulatorische Prüfungen und klinische Studien durchlaufen, bevor sie Patienten erreichen. Für de la Fuente müssen KI und Labormethoden gemeinsam voranschreiten, da Grundlagenexperimente essenziell sind, um KI-Vorhersagen in den Lebenswissenschaften zu validieren.