In alle waardige discussies rond de belofte en het gevaar van AIKunnen we een van de krachtigste gebruiksscenario’s over het hoofd zien: het oplossen van urgente mondiale gezondheidscrises? Weinig problemen illustreren dit beter dan antibioticaresistentie.
Antibiotica ondersteunt de moderne geneeskunde, maakt procedures zoals chemosecties en orgaantransplantaties mogelijk en zorgt ervoor dat patiënten veilig behandelingen zoals chemotherapie kunnen krijgen. Maar de bacteriën waarop ze zich richten, evolueren voortdurend. In de loop van de tijd zijn er veel geëvolueerd weerstand aan de medicijnen waarvan we afhankelijk zijn, waardoor ooit routinematige infecties levensbedreigende aandoeningen worden.
De omvang van het probleem is onthutsend. Een baanbrekende mondiale analyse gepubliceerd in De Lancet schat dat antibioticaresistente infecties – bekend als superbacteriën – direct meer kunnen veroorzaken dan 39 miljoen doden tussen nu en 2050, wanneer resistente bacteriën tegen het midden van de eeuw zullen bijdragen aan meer dan 8 miljoen sterfgevallen per jaar als de huidige trends zich voortzetten. Alleen al in 2019 was antibioticaresistentie verantwoordelijk Wereldwijd 1,2 miljoen dodendie dat jaar het aantal AIDS-gerelateerde ziekten en malaria overtrof.
Tegelijkertijd krimpt de pijplijn voor nieuwe antibiotica al tientallen jaren. Traditionele medicijnontdekking is traag, duur en notoir inefficiënt. Volgens ons interne onderzoek moeten wetenschappers duizenden of zelfs miljoenen chemische verbindingen testen om enkele levensvatbare kandidaten te identificeren.
EEN PROBLEEM VOOR AI
Dit is precies het soort probleem dat AI moet aanpakken.
De ontdekking van antibiotica vertegenwoordigt een ideale use case voor kunstmatige intelligentie die kan dienen als paradigma voor de ontdekking van AI-geneesmiddelen in bredere zin. In plaats van moleculen handmatig te testen, kunnen AI-modellen dat wel analyseer grote chemische bibliotheken om verbindingen te voorspellen en zelfs te ontwerpen die het meest waarschijnlijk bacteriën zullen doden, waardoor het veld dramatisch wordt verkleind voordat een enkel experiment begint.
Het resultaat is sneller en beter onderzoek.
In het opkomende veld van AI-native medicijnontdekking bestaat er, naar onze ervaring, een groeiende consensus dat machinaal leren de tijdlijn van de vroege ontdekkingsfase kan verkorten – met betrekking tot hitidentificatie, hit-to-lead-optimalisatie en lead-optimalisatie. Dit betekent dat we in een fractie van het traditionele tempo van een veelbelovend molecuul naar een preklinisch kandidaat-medicijn moeten gaan.
Maar snelheid is slechts een deel van het verhaal.
AI breidt het chemische universum dat wetenschappers kunnen verkennen dramatisch uit. Dit is vooral belangrijk in de context van de ontdekking van antibiotica, waar veel bestaande medicijnscaffolds al kwetsbaar zijn voor bekende bacteriële resistentiemechanismen. Om voorop te kunnen lopen, moeten onderzoekers compleet nieuwe scaffolds en werkingsmechanismen identificeren.
VERHOOG HET SCHOT OP DOEL
Traditionele ontdekkingsmethoden beperken onderzoekers tot relatief kleine verzamelingen moleculen die op realistische wijze in het laboratorium kunnen worden gesynthetiseerd en gescreend. AI-modellen kunnen daarentegen tienduizenden tot honderden miljoenen potentiële verbindingen onderzoeken in silico-computermodellering. Het kan dan prioriteit geven aan de meest veelbelovende kandidaten voor synthese en experimentele testen, helpt om volledig nieuwe chemische structuren aan het licht te brengen waar onderzoekers anders misschien niet aan hadden gedacht.
Met andere woorden: AI verhoogt het aantal en de kwaliteit van ‘schoten op doel’.
Cruciaal is dat deze technologie bestaat om de menselijke intelligentie te vergroten – door te leren van en het inzicht en oordeel van wetenschappers te vergroten.
Bij organisaties als de onze, Phare Bio, en in het bredere biotech-ecosysteem wordt AI gebruikt als samenwerkingsinstrument. Machine learning-modellen genereren hypothesen, geven prioriteit aan moleculen en analyseren patronen in biologische gegevens. Wetenschappers valideren deze voorspellingen vervolgens in het laboratorium, verfijnen de modellen en begeleiden de volgende ontdekkingsronde.
Dit partnerschap tussen menselijke en machine-intelligentie heeft al een nieuwe vorm gegeven aan verschillende gebieden van de geneesmiddelenontwikkeling.
Sommige bedrijven richten zich op de chemie van kleine moleculen en gebruiken AI om het aantal verbindingen dat moet worden gesynthetiseerd en getest te verminderen. Anderen ontwerpen geheel nieuwe biologische geneesmiddelen, zoals antilichamen, waarbij machinaal leren het traditioneel langzame proces van de ontdekking van antilichamen kan versnellen. Weer anderen passen AI toe om de eiwitdynamiek te simuleren, waardoor onderzoekers kunnen begrijpen hoe moleculen interageren met dynamische biologische doelen.
Deze benaderingen kunnen technisch gezien verschillen, maar ze delen een gemeenschappelijk doel: sneller betere medicijnen vinden.
VERLAAG DE WETENSCHAPPELIJKE ONTDEKKINGSBARRIÈRE
Misschien wel het allerbelangrijkste: AI verlaagt de barrières voor toegang tot wetenschappelijke ontdekkingen.
Historisch gezien vereiste antibioticaonderzoek een enorme infrastructuur: grote farmaceutische bedrijven, enorme screeningbibliotheken en dure laboratoriumpijpleidingen. Tegenwoordig zorgen krachtige AI-modellen en open datasets ervoor dat kleinere teams, zoals academische laboratoria, non-profitorganisaties en startups, kunnen concurreren in de race om nieuwe antibiotica te vinden.
Dat democratisering ertoe doet. Antibioticaresistentie is een mondiaal probleem dat een mondiaal antwoord vereist.
Ondanks alle hoop rond kunstmatige intelligentie kan de grootste impact uiteindelijk komen van het helpen van de mensheid bij het oplossen van problemen die ooit onoplosbaar leken.
Antibioticaresistentie is een van de ernstigste biologische bedreigingen waarmee we worden geconfronteerd. Maar het is ook een uitdaging die bij uitstek past bij de sterke punten van AI: patroonherkenning, grootschalige verkenning en snelle iteratie.
Als we doorgaan met het bouwen van slimmere modellen, deze koppelen aan menselijke expertise en ze toepassen op de urgente uitdagingen van de mondiale gezondheidszorg, kan AI helpen een hele nieuwe generatie antibiotica te ontsluiten.
Akhila Kosaraju, MD, is de CEO en medeoprichter van Phare Bio.
