Seit Jahrzehnten ist die Entdeckung neuer Antibiotika ins Stocken geraten. Die meisten „neuen“ Medikamente sind lediglich leichte Variationen bereits bekannter Wirkstoffe. Währenddessen prognostiziert die Weltgesundheitsorganisation (WHO), dass antimikrobielle Resistenzen (AMR) bis zum Jahr 2050 jährlich 10 Millionen Todesopfer fordern könnten, wenn keine neuen Lösungen gefunden werden.

Das Problem: Die Suche nach neuen chemischen Strukturen ist extrem zeitaufwendig, teuer und oft erfolglos. Hier kommt die Künstliche Intelligenz ins Spiel, die diesen Prozess radikal beschleunigt.

In einer Ende 2023 in der Fachzeitschrift Nature veröffentlichten Studie präsentierten Forscher um James Collins (MIT) einen Meilenstein. Sie nutzten KI, um Methicillin-resistenten Staphylococcus aureus (MRSA) zu bekämpfen. MRSA ist ein berüchtigter Krankenhauskeim, der jedes Jahr Tausende von Todesfällen verursacht.

Das Team identifizierte eine neue Strukturklasse von Antibiotika, die effektiv gegen MRSA wirkt. In Mausmodellen zeigten zwei der identifizierten Kandidaten eine signifikante Reduktion der Bakterienlast – sowohl bei Hautinfektionen als auch bei systemischen Infektionen.

Die Methode: „Erklärbare“ KI (Explainable AI)

Der entscheidende Unterschied zu früheren KI-Versuchen lag in der Transparenz der Algorithmen. Früher war KI in der Wirkstoffforschung oft eine „Black Box“: Das System sagte voraus, dass ein Molekül wirkt, aber die Wissenschaftler wussten nicht, warum.

Bei diesem neuen Ansatz nutzten die Forscher Graph Neural Networks (GNNs):

• Training: Die KI wurde mit Daten von ca. 39.000 chemischen Verbindungen trainiert, die auf ihre antibiotische Wirkung gegen MRSA getestet worden waren.
• Transparenz: Die Forscher passten das Modell so an, dass es nicht nur Vorhersagen traf, sondern auch anzeigte, welche spezifischen chemischen Substrukturen für die Wirkung verantwortlich waren.
• Screening: Mit diesem Wissen durchforstete die KI digitale Bibliotheken mit rund 12 Millionen kommerziell erhältlichen Verbindungen.
• Ergebnis: Das Modell identifizierte Verbindungen, die für menschliche Zellen nur eine geringe Toxizität aufwiesen, aber hochwirksam gegen die Bakterien waren.

Durch das Verständnis der zugrundeliegenden chemischen Strukturen („Rationale“) konnten die Forscher gezielt Moleküle auswählen, die sich strukturell von herkömmlichen Antibiotika unterscheiden. Dies senkt das Risiko, dass Bakterien bereits resistent dagegen sind.