Ein generativer KI-Ansatz zur Optimierung peptidischer Antibiotika

Warum neue Ansätze für Antibiotika wichtig sind

Infektionen mit resistenten Erregern breiten sich schneller aus als wir sie behandeln können, und einige der letzten Reserveantibiotika beginnen zu versagen. Diese Studie untersucht, wie eine neue Form künstlicher Intelligenz natürliche Proteinfragmente, sogenannte Peptide, in stärkere Antibiotika umgestalten kann – geleitet sowohl von Computermodellen als auch von Tierversuchen.

Alte Moleküle in moderne Medikamente verwandeln

Die Arbeit baut auf einer faszinierenden Idee auf: die Genome ausgestorbener Tiere zu durchforsten, um versteckte antimikrobielle Peptide zu finden. Frühere Studien hatten solche Moleküle in der DNA von Arten wie dem Wollmammut und dem Riesenfaultier entdeckt, doch viele dieser natürlichen Peptide zeigten nur mäßige Aktivität gegen Bakterien. Die Frage hier ist, ob ein KI-System diese groben Ausgangspunkte nehmen und schnell kleine Sequenzänderungen vorschlagen kann, die sie in stärkere, sicherere Antibiotika verwandeln – ohne das übliche langsame Trial-and-Error im Labor.

Wie die KI-Design-Schleife funktioniert

Die Autorinnen und Autoren entwickelten ApexGO, ein Design-Framework, das ein Deep-Learning-Modell mit einer Suchstrategie koppelt. Ein transformerbasiertes „Übersetzermodell“ wandelt zunächst jede Peptidsequenz in eine Position in einem glatten mathematischen Raum um, in dem ähnliche Sequenzen nahe beieinander liegen. Ein zweites Modell, APEX genannt, sagt voraus, welche Konzentration jedes Peptids nötig ist, um das Wachstum mehrerer problematischer Bakterien zu stoppen. Ein Bayes’scher Suchalgorithmus durchkämmt dann den glatten Raum und schlägt neue Peptidvarianten vor, die wahrscheinlich potenter sind, dabei aber mindestens zu drei Vierteln dem ursprünglichen Vorbild gleichen und praktisch herstellbar bleiben.

Von Computersuggestionen zu realen Molekülen

Mithilfe von zehn verschiedenen, ausgestorbenen Peptiden als Vorlagen generierte ApexGO zahlreiche Kandidatensequenzen und wählte 100 zur chemischen Synthese aus. Diese wurden im Labor gegen elf klinisch relevante Bakterien getestet, darunter mehrere, die gegen Standardmedikamente resistent sind. 86 der 100 entworfenen Peptide zeigten messbare Aktivität, und etwa zwei Drittel waren deutlich besser als ihre Ausgangsvorlagen, mit noch höherem Erfolg gegenüber gramnegativen Bakterien, die oft am schwierigsten zu behandeln sind. Das Team verglich ApexGO auch mit anderen KI-Generatoren und stellte fest, dass ältere Systeme Schwierigkeiten hatten, wenn sie nahe an einer gegebenen Vorlage bleiben mussten, während ApexGO unter diesen Einschränkungen verlässlich verbesserte Varianten produzierte.

Was Labor- und Tierversuche zeigten

Die Forschenden gingen der Frage nach, wie sich die optimierten Peptide verhalten. Sie maßen, wie sich die Moleküle falten, wie sie bakterielle Membranen stören und ob sie menschliche Nierenzellen in Kultur schädigen. Die neuen Peptide reichten über viele Formen – von lockeren Ketten bis zu Helices – und keine einzelne Struktur garantierte starke Aktivität, was darauf hindeutet, dass die KI mehrere physikalische Wege zur Abtötung von Bakterien nutzen kann. Die meisten der entworfenen Peptide zeigten bei den getesteten Dosen keine Toxizität. In Mausmodellen von Haut- und tiefen Muskelinfektionen mit dem gefährlichen Bakterium Acinetobacter baumannii reduzierten ausgewählte optimierte Peptide die Bakterienzahl um drei bis vier Größenordnungen. In einigen Fällen erreichten sie die Wirkung oder übertrafen sogar Reserveantibiotika wie Polymyxin B, und das alles ohne offensichtliche Nebenwirkungen bei den Tieren.

Was das für die Zukunft der Antibiotika bedeutet

Die Studie zeigt, dass eine KI-geführte Optimierungsschleife die Wirksamkeit bestehender peptidischer Antibiotika zuverlässig schärfen kann, selbst wenn man nur mit moderat aktiven natürlichen Sequenzen beginnt. Anstatt blind den riesigen Raum möglicher Peptide zu durchsuchen, lernt ApexGO aus jeder Runde von Vorhersagen und Experimenten und konzentriert sich auf Varianten, die sowohl kraftvoll als auch relativ sicher sind. Zwar ist noch viel Arbeit nötig, um Fragen wie Stabilität im Körper und Dosierung beim Menschen zu klären, doch dieser Ansatz weist auf einen schnelleren, gezielteren Weg hin, neue Antibiotika in einer Zeit zu entwickeln, in der sie dringend gebraucht werden.

Zitation: Torres, M.D.T., Zeng, Y., Wan, F. et al. A generative artificial intelligence approach for peptide antibiotic optimization. Nat Mach Intell 8, 841–856 (2026). https://doi.org/10.1038/s42256-026-01237-5

Schlüsselwörter: antimikrobielle Resistenz, peptidische Antibiotika, generative KI, Bayes’sche Optimierung, arzneimittelentdeckung