Ένα
σύστημα τεχνητής νοημοσύνης που ανέπτυξαν ερευνητές του Πανεπιστημίου ΜΙΤ στις
ΗΠΑ, βρήκε ένα ισχυρό νέο αντιβιοτικό (halicin), το οποίο μπορεί να καταστρέψει πολλά
είδη βακτηρίων ανθεκτικών σε άλλα αντιβιοτικά όπως τα carbapenem. Team at MIT says halicin kills some of
the world’s most dangerous strains. The culture plate on the right has bacteria
that is resistant to all of the antibiotics tested. Photograph: Science History
Images/Alamy
Είναι
η πρώτη φορά που η τεχνητή νοημοσύνη βρήκε εκ του μηδενός ένα νέο αντιβιοτικό
και μάλιστα πανίσχυρο, ανοίγοντας νέες δυνατότητες στο πεδίο της φαρμακευτικής,
καθώς κάτι ανάλογο θα μπορούσε μελλοντικά να γίνει και για άλλους είδους
φάρμακα, π.χ. για νευροεκφυλιστικές παθήσεις ή για τον καρκίνο. Οι επιστήμονες
αισιοδοξούν ότι το «έξυπνο» σύστημα θα μπορεί να σχεδιάσει διάφορα νέα φάρμακα,
με βάση όσα έχει μάθει για τις χημικές δομές που επιτρέπουν στα φάρμακα να
σκοτώνουν τα βακτήρια.
Ο
ειδικός αλγόριθμος
Deep learning AI
can recognize individual faces. The same technology is being adapted to
recognize potential antibiotics from millions of chemicals. Credit: Ginap.salazarb/Wikimedia Commons, CC
BY-SA
Χρησιμοποιώντας
ένα νέο αλγόριθμο μηχανικής μάθησης, οι επιστήμονες και μηχανικοί, με
επικεφαλής τον καθηγητή Ιατρικής Μηχανικής & Επιστήμης Τζέιμς Κόλινς και
την καθηγήτρια του Τμήματος Ηλεκτρολόγων Μηχανικών & Υπολογιστών Ρετζίνα
Μπαρζιλάι, που έκαναν τη σχετική δημοσίευση στο περιοδικό βιολογίας Cell (Κύτταρο), ανέλυσαν πολλές
υποψήφιες χημικές ουσίες, βρίσκοντας τελικά μία με ισχυρές αντιβιοτικές
ιδιότητες.
Κατά
τις τελευταίες δεκαετίες έχουν βρεθεί ελάχιστα νέα αντιβιοτικά και τα περισσότερα
δεν είναι παρά ελαφρώς παραλλαγμένες εκδοχές προϋπαρχόντων φαρμάκων. Οι
σημερινές μέθοδοι ανάπτυξης νέων αντιβιοτικών είναι πολύ δαπανηρές, χρονοβόρες
και συνήθως περιορίζονται σε μια μικρή γκάμα χημικών ουσιών.
«Αντιμετωπίζουμε
μια εντεινόμενη κρίση λόγω αφενός ενός αυξανόμενου αριθμού παθογόνων
μικροοργανισμών που γίνονται ανθεκτικοί στα υπάρχοντα αντιβιοτικά και αφετέρου
μιας αναιμικής ανακάλυψης νέων αντιβιοτικών από τις φαρμακευτικές και
βιοτεχνολογικές εταιρείες. Αν δεν αντιμετωπίσουμε την κρίση έως το 2050, οι
θάνατοι κάθε χρόνο λόγω λοιμώξεων από ανθεκτικά βακτήρια θα φθάσουν τα δέκα
εκατομμύρια, περισσότεροι και από τους ετήσιους θανάτους από καρκίνο», δήλωσε ο
Κόλινς.
Η
ταυτότητα του νέου αντιβιοτικού
Η
τεχνητή νοημοσύνη αποτελεί το νέο συμπαραστάτη σε αυτή την προσπάθεια, καθώς
υπόσχεται να βρει τελείως νέα αντιβιοτικά, πιο γρήγορα και με πολύ χαμηλότερο
κόστος. Το νέο αντιβιοτικό, το οποίο δοκιμάσθηκε στο εργαστήριο, εξόντωσε
αρκετά στελέχη βακτηρίων που είναι ανθεκτικά σε όλα τα γνωστά αντιβιοτικά
(Clostridium difficile, Acinetobacter baumannii, Mycobacterium tuberculosis,
Enterobacteriaceae κ.α.), με εξαίρεση το ανθεκτικό βακτήριο Pseudomonas
aeruginosa που πλήττει τους πνεύμονες. Επίσης «καθάρισε» μέσα σε 24 ώρες τις
λοιμώξεις σε πειραματόζωα (ποντίκια) που είχαν κολλήσει Acinetobacter
baumannii, ένα πολύ ανθεκτικό βακτήριο που έχει μολύνει πολλούς Αμερικανούς
στρατιώτες στο Ιράκ και το Αφγανιστάν.
Ακόμη,
το γνωστό E.coli διαπιστώθηκε ότι δεν αναπτύσσει ανθεκτικότητα στο νέο
αντιβιοτικό μετά από θεραπεία διάρκειας 30 ημερών με αυτό. Αντίθετα, ο εν λόγω
μικροοργανισμός αναπτύσσει αντίσταση π.χ. στο αντιβιοτικό σιπροφλοξασίνη της
κατηγορίας των κινολονών μέσα σε μόνο μία έως τρεις μέρες.
«Αναπτύξαμε
μια πλατφόρμα που μας επιτρέπει να χαλιναγωγήσουμε τη δύναμη της τεχνητής
νοημοσύνης, ώστε να ανοίξουμε το δρόμο για μια νέα εποχή στην ανακάλυψη νέων
αντιβιοτικών. Έτσι, ανακαλύψαμε ήδη ένα εντυπωσιακό μόριο, το οποίο είναι
αναμφισβήτητα ένα από τα πιο ισχυρά αντιβιοτικά που έχει ποτέ ανακαλυφθεί»,
ανέφερε ο Κόλινς.
Πώς
«εκπαιδεύτηκε» ο αλγόριθμος
Figure 1. Machine
Learning in Antibiotic Discovery. Modern approaches to antibiotic discovery
often include screening large chemical libraries for those that elicit a
phenotype of interest. These screens, which are upper bound by hundreds of
thousands to a few million molecules, are expensive, time consuming, and can fail
to capture an expansive breadth of chemical space. In contrast, machine
learning approaches afford the opportunity to rapidly and inexpensively explore
vast chemical spaces in silico. Our deep neural network model works
by building a molecular representation based on a specific property, in our
case the inhibition of the growth of E. coli, using a directed
message passing approach. We first trained our neural network model using a collection
of 2,335 diverse molecules for those that inhibited the growth of E. coli,
augmenting the model with a set of molecular features, hyperparameter
optimization, and ensembling. Next, we applied the model to multiple chemical
libraries, comprising >107 million molecules, to identify potential lead
compounds with activity against E. coli. After ranking the
candidates according to the model’s predicted score, we selected a list of
promising candidates.
Η
αρχική «εκπαίδευση» του αλγόριθμου έγινε μέσω τροφοδοσίας του με περίπου 2.500
μόρια δραστικών ουσιών, εκ των οποίων τα 1.700 ήσαν φάρμακα εγκεκριμένα από την
αρμόδια εποπτική αρχή των ΗΠΑ, την Υπηρεσία Τροφίμων και Φαρμάκων (FDA), ενώ τα
υπόλοιπα 800 ήσαν φυσικά προϊόντα. Μετά την «μόρφωση» του, το «έξυπνο» σύστημα
δοκιμάστηκε σε περίπου 6.000 άλλα μόρια με πιθανή αντιβιοτική δράση, τα οποία
περιέχονται στη βάση δεδομένων Drug Repurposing Hub. Από αυτά -μέσα σε μερικές
μόνο ώρες- η τεχνητή νοημοσύνη επέλεξε 100 υποψήφια για φυσικές δοκιμές και
τελικά ένα μόριο με χημική δομή διαφορετική από κάθε γνωστό αντιβιοτικό βρέθηκε
να είναι το πιο αποτελεσματικό κατά του βακτηρίου E.coli.
Η
ουσία αυτή, που ονομάστηκε «halicin», παραπέμποντας στο διάσημο σύστημα
τεχνητής νοημοσύνης HAL του βιβλίου και της ταινίας «2001: Οδύσσεια του
Διαστήματος», είχε στο παρελθόν εξετασθεί ως πιθανό αντιδιαβητικό φάρμακο, αλλά
χωρίς επιτυχία. Οι ερευνητές σκοπεύουν να κάνουν περαιτέρω δοκιμές της halicin
σε συνεργασία με φαρμακευτική εταιρεία ή μη κερδοσκοπικό οργανισμό, ώστε τελικά
να αναπτύξουν ένα αντιβιοτικό για χρήση στους ανθρώπους.
Επίσης
το ίδιο σύστημα τεχνητής νοημοσύνης, ψάχνοντας σε μια βάση δεδομένων (ZINC15)
με 107 εκατομμύρια μόρια, έφερε στο φως άλλες 23 υποψήφιες δραστικές
αντιμικροβιακές ουσίες. Μετά από δοκιμές σε ζώα, οι επιστήμονες κατέληξαν σε
οκτώ με αντιβακτηριακές ιδιότητες και από αυτές ιδίως δύο είναι πολλά
υποσχόμενες να αποτελέσουν αντιβιοτικά, γι’ αυτό θα δοκιμασθούν περαιτέρω.
Πηγές:
https://www.cell.com/cell/fulltext/S0092-8674(20)30102-1?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS0092867420301021%3Fshowall%3Dtrue
- https://www.theguardian.com/society/2020/feb/20/antibiotic-that-kills-drug-resistant-bacteria-discovered-through-ai
- https://www.amna.gr/home/article/432700/Techniti-noimosuni-brike-neo-antibiotiko-pou-exontonei-merika-apo-ta-pio-anthektika-mikrobia
