Generatywne podejście sztucznej inteligencji do optymalizacji peptydowych antybiotyków

Dlaczego potrzebne są nowe podejścia do antybiotyków

Infekcje odporne na leki rozprzestrzeniają się szybciej niż nasza zdolność ich leczenia, a niektóre z ostatnich dostępnych antybiotyków zaczynają zawodzić. W tym badaniu badacze sprawdzają, jak nowa forma sztucznej inteligencji może pomóc przeprojektować naturalne fragmenty białek, zwane peptydami, w bardziej efektywne antybiotyki, korzystając z wskazówek zarówno modeli komputerowych, jak i testów na zwierzętach.

Przekształcanie pradawnych cząsteczek w nowoczesne leki

Praca opiera się na intrygującej idei: eksploracji genomów wymarłych zwierząt w poszukiwaniu ukrytych peptydów przeciwbakteryjnych. Wcześniejsze badania wykryły takie cząsteczki w DNA gatunków, jak mamut włochaty czy olbrzymi leniwiec naziemny, jednak wiele z tych naturalnych peptydów miało jedynie umiarkowaną aktywność przeciw bakteriom. Pytanie brzmi, czy system AI może wykorzystać te surowe punkty wyjścia i szybko zasugerować niewielkie zmiany w sekwencji, które przemienią je w silniejsze, bezpieczniejsze antybiotyki, bez zwykłego, powolnego procesu prób i błędów w laboratorium.

Jak działa pętla projektowania AI

Autorzy opracowali ApexGO, ramy projektowe łączące model głębokiego uczenia z strategią przeszukiwania. Transformatorowy „tłumacz” najpierw przekształca każdą sekwencję peptydu w pozycję w gładkiej przestrzeni matematycznej, gdzie podobne sekwencje leżą blisko siebie. Drugi model, nazwany APEX, przewiduje, ile danego peptydu jest potrzebne, by zahamować wzrost kilku problematycznych bakterii. Następnie algorytm wyszukiwania bayesowskiego eksploruje tę gładką przestrzeń, proponując nowe warianty peptydów, które prawdopodobnie będą bardziej skuteczne, zachowując jednocześnie co najmniej trzy czwarte podobieństwa do oryginalnego wzorca i będące praktycznie możliwe do wyprodukowania.

Od sugestii komputerowych do prawdziwych cząsteczek

Wykorzystując dziesięć różnych peptydów wymarłych gatunków jako wzorce, ApexGO wygenerowało wiele kandydatów i wybrało 100 do syntezy chemicznej. Przetestowano je w laboratorium przeciw jedenastu klinicznie istotnym bakteriom, w tym kilku, które odpierają standardowe leki. Osiemdziesiąt sześć z zaprojektowanych 100 peptydów wykazało mierzalną aktywność, a około dwie trzecie było wyraźnie lepszych od swoich wzorców wyjściowych, z jeszcze wyższym odsetkiem sukcesu wobec bakterii Gram-ujemnych, które często są najtrudniejsze do leczenia. Zespół porównał także ApexGO z innymi generatorami AI i stwierdził, że tamte starsze systemy miały trudności, gdy wymuszono zachowanie bliskości do danego wzorca, podczas gdy ApexGO niezawodnie produkowało ulepszone warianty w tych ograniczeniach.

Co wykazały testy laboratoryjne i na zwierzętach

Naukowcy przyjrzeli się bliżej zachowaniu zoptymalizowanych peptydów. Zmierzyli, jak cząsteczki fałdują się, w jaki sposób zaburzają błony bakteryjne i czy szkodzą ludzkim komórkom nerkowym w hodowli. Nowe peptydy obejmowały wiele kształtów, od luźnych łańcuchów po helisy, i żadna pojedyncza struktura nie gwarantowała silnej aktywności, co sugeruje, że AI potrafi wykorzystać kilka fizycznych dróg zabijania bakterii. Większość zaprojektowanych peptydów nie była toksyczna przy testowanych dawkach. W modelach mysich zakażeń skóry i głębokich mięśni bakteriami Acinetobacter baumannii wybrane zoptymalizowane peptydy zmniejszyły liczebność bakterii o trzy do czterech rzędów wielkości. W niektórych przypadkach dorównywały lub nawet przewyższały antybiotyki ostatniej szansy, takie jak polimyksyna B, i to bez oczywistych skutków ubocznych u zwierząt.

Co to oznacza dla przyszłości antybiotyków

Badanie pokazuje, że kierowana przez AI pętla optymalizacyjna może niezawodnie wyostrzyć działanie istniejących peptydowych antybiotyków, nawet zaczynając od jedynie umiarkowanie aktywnych naturalnych sekwencji. Zamiast ślepo przeszukiwać ogromną przestrzeń możliwych peptydów, ApexGO uczy się na podstawie każdej rundy prognoz i eksperymentów, skupiając się na wariantach, które są jednocześnie skuteczne i stosunkowo bezpieczne. Chociaż potrzebne są dalsze prace nad takimi kwestiami jak stabilność w organizmie i dawkowanie u ludzi, podejście to wskazuje na szybszy, bardziej ukierunkowany sposób tworzenia nowych antybiotyków w czasie, gdy są one pilnie potrzebne.

Cytowanie: 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

Słowa kluczowe: oporność na antybiotyki, antybiotyki peptydowe, generatywna AI, optymalizacja bayesowska, odkrywanie leków