Een generatieve AI-aanpak voor het optimaliseren van peptide-antibiotica

Waarom nieuwe benaderingen voor antibiotica belangrijk zijn

Door medicijnresistente infecties verspreiden zich sneller dan wij ze kunnen behandelen, en sommige van de laatste redmiddel-antibiotica beginnen hun effectiviteit te verliezen. Deze studie onderzoekt hoe een nieuwe vorm van kunstmatige intelligentie natuurlijke eiwitfragmenten, zogeheten peptiden, kan herontwerpen tot krachtiger antibiotica, met sturing vanuit zowel computermodellen als dierproeven.

Oude moleculen omzetten in moderne geneesmiddelen

Het werk bouwt voort op een intrigerend idee: de genomen van uitgestorven dieren doorzoeken om verborgen antimicrobiële peptiden te vinden. Eerdere studies ontdekten zulke moleculen al in het DNA van soorten als de wolharige mammoet en de reuzen luiaard, maar veel van deze natuurlijke peptiden waren slechts matig actief tegen bacteriën. De vraag hier is of een AI-systeem deze ruwe uitgangspunten kan nemen en snel kleine sequentiewijzigingen kan voorstellen die ze omzetten in sterkere, veiligere antibiotica, zonder de gebruikelijke trage proef-en-fout in het laboratorium.

Hoe de AI-ontwerpllus werkt

De auteurs ontwikkelden ApexGO, een ontwerpkader dat een deep learning-model koppelt aan een zoekstrategie. Een transformer-gebaseerde "vertaler" zet eerst elke peptide-sequentie om in een positie in een vloeiende wiskundige ruimte, waar vergelijkbare sequenties dicht bij elkaar liggen. Een tweede model, APEX genoemd, voorspelt hoeveel van elk peptide nodig is om de groei van verschillende problematische bacteriën te remmen. Een Bayesiaanse zoekalgoritme verkent vervolgens die vloeiende ruimte en doet voorstellen voor nieuwe peptidevarianten die waarschijnlijk krachtiger zijn, terwijl ze toch minstens driekwart gelijk blijven aan het oorspronkelijke sjabloon en praktisch maakbaar zijn.

Van computer-suggesties naar echte moleculen

Met tien verschillende uitgestorven peptiden als sjablonen genereerde ApexGO veel kandidaat-sequenties en selecteerde er 100 voor chemische synthese. Deze werden in het laboratorium getest tegen elf klinisch belangrijke bacteriën, waaronder meerdere die standaardmiddelen weerstaan. Zesenentachtig van de 100 ontworpen peptiden vertoonden meetbare activiteit, en ongeveer twee derde was duidelijk beter dan hun begintemplates, met zelfs hogere successen tegen Gram-negatieve bacteriën die vaak het moeilijkst te behandelen zijn. Het team vergeleek ApexGO ook met andere AI-generatoren en ontdekte dat die oudere systemen moeite hadden wanneer ze gedwongen werden dicht bij een gegeven sjabloon te blijven, terwijl ApexGO betrouwbaar verbeterde varianten produceerde onder die beperkingen.

Wat de laboratorium- en dierproeven onthulden

De onderzoekers gingen dieper in op het gedrag van de geoptimaliseerde peptiden. Ze maten hoe de moleculen vouwen, hoe ze bacteriële membranen verstoren en of ze menselijke niercellen in kweek schaden. De nieuwe peptiden besloegen veel vormen, van losse ketens tot helices, en geen enkele structuur garandeerde sterke activiteit, wat suggereert dat de AI meerdere fysieke wegen kan aanwenden om bacteriën te doden. De meeste ontworpen peptiden waren niet toxisch bij de geteste doseringen. In muismodellen voor huid- en diepe spierinfecties met de gevaarlijke bacterie Acinetobacter baumannii verminderden geselecteerde geoptimaliseerde peptiden de bacteriële aantallen met drie tot vier grootteordes. In sommige gevallen evenaarden of overtroffen ze zelfs ultimum refugium-antibiotica zoals polymyxine B, allemaal zonder duidelijke bijwerkingen bij de dieren.

Wat dit betekent voor de toekomst van antibiotica

De studie toont aan dat een door AI geleide optimalisatielus de werking van bestaande peptide-antibiotica betrouwbaar kan verscherpen, zelfs wanneer begonnen wordt met slechts matig actieve natuurlijke sequenties. In plaats van blind de enorme ruimte van mogelijke peptiden te doorzoeken, leert ApexGO van elke ronde voorspellingen en experimenten en zoomt het in op varianten die zowel krachtig als relatief veilig zijn. Hoewel er veel meer werk nodig is om kwesties als stabiliteit in het lichaam en dosering bij mensen aan te pakken, wijst deze aanpak op een snellere, gerichtere manier om nieuwe antibiotica te ontwikkelen op een moment dat ze hard nodig zijn.

Bronvermelding: 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

Trefwoorden: antimicrobiële resistentie, peptide-antibiotica, generatieve AI, Bayesiaanse optimalisatie, geneesmiddelenonderzoek