Naukowcy z MIT i McMaster University użyli AI do odkrycia antybiotyku, który precyzyjnie zwalcza bakterie jelitowe. Model skrócił proces badawczy z lat do miesięcy.
W skrócie:
- Odkryto nową cząsteczkę – enterololin – która celuje w bakterie zaostrzające stany zapalne jelit, oszczędzając przy tym pożyteczną mikroflorę bakteryjną.
- Model AI o nazwie DiffDock w ciągu kilku miesięcy zmapował mechanizm działania leku, co tradycyjnymi metodami zajęłoby naukowcom nawet kilka lat.
- Wyniki uzyskane przez sztuczną inteligencję zostały w pełni potwierdzone w badaniach laboratoryjnych, co dowodzi skuteczności nowego podejścia do odkrywania leków.
Antybiotyki bywają jak młot kowalski w sklepie z porcelaną. Zwłaszcza dla pacjentów z nieswoistym zapaleniem jelit, którzy podczas zaostrzeń choroby często otrzymują leki o szerokim spektrum działania. Te niszczą szkodliwe patogeny, ale przy okazji – niczym przypadkowe ofiary w strzelaninie – zabijają też pożyteczne mikroby, co w dłuższej perspektywie potrafi pogorszyć objawy. Czasem w walce z zapaleniem jelit nie potrzeba młota. Wystarczy precyzyjny skalpel.
Badacze z MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) oraz McMaster University właśnie taki skalpel znaleźli. Zidentyfikowali nowy związek, który podchodzi do problemu z chirurgiczną precyzją. Cząsteczka, nazwana enterololinem, tłumi grupę bakterii powiązaną z zaostrzeniami choroby Leśniowskiego-Crohna, pozostawiając resztę mikrobiomu w dużej mierze nienaruszoną. Co najważniejsze, zespół wykorzystał generatywny model AI, by zmapować, jak ten związek działa. Proces, który zwykle ciągnie się latami, skrócono do zaledwie kilku miesięcy.
Jak AI stało się detektywem na poziomie molekularnym?
“To odkrycie dotyka sedna problemu w rozwoju antybiotyków” – mówi Jon Stokes, profesor biochemii na McMaster University i współautor badania. “Problemem nie jest znalezienie cząsteczek, które zabijają bakterie na szalce Petriego – to potrafimy od dawna. Prawdziwym wyzwaniem jest zrozumienie, co te cząsteczki faktycznie robią wewnątrz bakterii”. Bez tej wiedzy, jak dodaje, nie da się przekształcić obiecujących kandydatów w bezpieczne i skuteczne terapie.
Tradycyjne ustalenie mechanizmu działania leku – czyli molekularnego celu, z którym wiąże się on w komórkach bakteryjnych – wymaga lat żmudnych eksperymentów. Tu na scenę wkroczył DiffDock, generatywny model AI opracowany w CSAIL. Został on zaprojektowany do przewidywania, w jaki sposób małe cząsteczki dopasowują się do “kieszeni” wiążących białek, co jest jednym z najtrudniejszych zadań w biologii strukturalnej. Zamiast przeszukiwać miliardy możliwych kombinacji, DiffDock traktuje ten problem probabilistycznie, iteracyjnie poprawiając swoje “domysły”, aż znajdzie najbardziej prawdopodobne rozwiązanie.
“W ciągu zaledwie kilku minut model przewidział, że enterololin wiąże się z kompleksem białkowym o nazwie LolCDE, który jest niezbędny do transportu lipoprotein u niektórych bakterii” – wyjaśnia profesor Regina Barzilay z MIT, która współkierowała projektem. “To była bardzo konkretna wskazówka – taka, która mogła ukierunkować eksperymenty, a nie je zastąpić”.
Czy maszyna może mieć rację? Czas na testy w laboratorium
Zespół Stokesa natychmiast poddał tę prognozę weryfikacji. Używając przewidywań DiffDock jako swoistego GPS‑a, naukowcy najpierw wyhodowali w laboratorium zmutowane szczepy E. coli oporne na enterololin. Okazało się, że zmiany w DNA mutantów zlokalizowane były dokładnie w genie kodującym kompleks LolCDE. Następnie przeprowadzili sekwencjonowanie RNA, aby zobaczyć, które geny bakteryjne włączają się lub wyłączają pod wpływem leku. Na dokładkę użyli technologii CRISPR, by wybiórczo osłabić ekspresję przewidywanego celu. Wszystkie te eksperymenty laboratoryjne wykazały zakłócenia w szlakach związanych z transportem lipoprotein – czyli dokładnie to, co przewidział DiffDock.
“Kiedy widzisz, że model obliczeniowy i dane z laboratorium wskazują na ten sam mechanizm, zaczynasz wierzyć, że naprawdę coś odkryłeś” – podsumowuje Stokes. To nie jest już zgadywanka. To nauka wspierana przez potężne narzędzie, które rozumie język biologii na poziomie, który do niedawna wydawał się fikcją.
Co to oznacza dla przyszłości medycyny i walki z superbakteriami?
Ten projekt pokazuje fundamentalną zmianę w zastosowaniu AI w naukach przyrodniczych. “Wiele zastosowań AI w odkrywaniu leków polegało na przeszukiwaniu przestrzeni chemicznej w celu zidentyfikowania nowych, potencjalnie aktywnych cząsteczek” – mówi Barzilay. “My pokazujemy tutaj, że sztuczna inteligencja może również dostarczać wyjaśnień mechanistycznych, które są kluczowe dla przeprowadzenia cząsteczki przez cały proces rozwoju”.
Różnica jest kolosalna. Badania nad mechanizmem działania są często głównym wąskim gardłem w tworzeniu leków. Tradycyjne podejście może zająć od 18 miesięcy do ponad dwóch lat i kosztować miliony dolarów. Zespół MIT-McMaster skrócił ten czas do około sześciu miesięcy, przy ułamku kosztów. Choć enterololin jest wciąż na wczesnym etapie rozwoju (licencję na jego komercjalizację nabyła już firma Stoked Bio), otwiera drzwi do nowej generacji celowanych antybiotyków. Terapii, które leczą infekcje bez powodowania szkód ubocznych w mikrobiomie i które mogą stać się potężną bronią w walce z rosnącą globalnie antybiotykoopornością.