Un approccio di intelligenza artificiale generativa per l’ottimizzazione di antibiotici peptidici

Perché servono nuovi approcci agli antibiotici

Le infezioni resistenti ai farmaci si diffondono più rapidamente della nostra capacità di curarle, e alcuni degli antibiotici di ultima istanza stanno cominciando a fallire. Questo studio esplora come una nuova forma di intelligenza artificiale possa aiutare a riprogettare frammenti proteici naturali, detti peptidi, trasformandoli in antibiotici più potenti tramite indicazioni provenienti sia da modelli al computer sia da test su animali.

Trasformare molecole antiche in farmaci moderni

Il lavoro si basa su un’idea intrigante: esplorare i genomi di animali estinti per individuare peptidi antimicrobici nascosti. Ricerche precedenti avevano già riportato alla luce tali molecole nel DNA di specie come il mammut lanoso e il bradipo gigante, ma molti di questi peptidi naturali mostravano un’attività battericida solo modesta. La domanda qui è se un sistema di IA possa prendere questi punti di partenza grezzi e suggerire rapidamente piccole modifiche di sequenza che li trasformino in antibiotici più potenti e sicuri, evitando il lento processo di tentativi ed errori in laboratorio.

Come funziona il ciclo di progettazione con l’IA

Gli autori hanno creato ApexGO, un quadro di progettazione che associa un modello di deep learning a una strategia di ricerca. Un “traduttore” basato su transformer converte ogni sequenza peptidica in una posizione di uno spazio matematico liscio, dove sequenze simili stanno vicine. Un secondo modello, chiamato APEX, predice la quantità di ciascun peptide necessaria per fermare la crescita di diversi batteri problematici. Un algoritmo di ricerca bayesiano esplora quindi lo spazio liscio, proponendo nuove varianti peptidiche che risultano probabilmente più potenti pur rimanendo almeno per tre quarti simili al modello originale e fabbricabili in pratica.

Dalle proposte al computer alle molecole reali

Usando dieci diversi peptidi estinti come modelli, ApexGO ha generato numerose sequenze candidate e ne ha selezionate 100 per la sintesi chimica. Queste sono state testate in laboratorio contro undici batteri clinicamente rilevanti, inclusi diversi ceppi che resistono ai farmaci standard. Ottantasei dei 100 peptidi progettati hanno mostrato attività misurabile, e circa due terzi erano chiaramente migliori rispetto ai loro modelli di partenza, con un successo ancora più elevato contro i batteri Gram negativi, spesso i più difficili da trattare. Il team ha anche confrontato ApexGO con altri generatori di IA e ha rilevato che quei sistemi più vecchi faticavano quando erano costretti a restare vicini a un modello dato, mentre ApexGO produceva in modo affidabile varianti migliorate sotto tali vincoli.

Cosa hanno rivelato i test in laboratorio e sugli animali

I ricercatori hanno approfondito il comportamento dei peptidi ottimizzati. Hanno misurato come le molecole si ripiegano, come disturbano le membrane batteriche e se danneggiano cellule renali umane in coltura. I nuovi peptidi coprivano molte conformazioni, da catene flessibili a eliche, e nessuna singola struttura garantiva un’attività elevata, suggerendo che l’IA può sfruttare diverse vie fisiche per uccidere i batteri. La maggior parte dei peptidi progettati non era tossica alle dosi testate. In modelli murini di infezioni cutanee e profonde del muscolo causate dal pericoloso batterio Acinetobacter baumannii, peptidi ottimizzati selezionati hanno ridotto i conteggi batterici di tre-quattro ordini di grandezza. In alcuni casi hanno eguagliato o addirittura superato antibiotici di ultima istanza come la polimixina B, il tutto senza effetti collaterali evidenti negli animali.

Quali implicazioni per il futuro degli antibiotici

Lo studio dimostra che un ciclo di ottimizzazione guidato dall’IA può affilare in modo affidabile le prestazioni di antibiotici peptidici esistenti, anche quando si parte da sequenze naturali solo moderatamente attive. Piuttosto che ricercare alla cieca l’enorme spazio delle possibili sequenze, ApexGO impara da ogni ciclo di predizioni ed esperimenti, concentrandosi su varianti potenti e relativamente sicure. Pur richiedendo molti altri studi per affrontare aspetti come la stabilità in vivo e il dosaggio nell’uomo, questo approccio indica una via più rapida e mirata per costruire nuovi antibiotici in un momento in cui sono urgentemente necessari.

Citazione: 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

Parole chiave: resistenza antimicrobica, antibiotici peptidici, IA generativa, ottimizzazione bayesiana, scoperta di farmaci