En generativ AI-metod för optimering av peptidantibiotika

Varför nya angreppssätt för antibiotika spelar roll

Läkemedelsresistenta infektioner sprider sig snabbare än vår förmåga att behandla dem, och några av de sista reservantibiotika börjar svikta. Denna studie undersöker hur en ny form av artificiell intelligens kan hjälpa till att omforma naturliga proteinfragment, så kallade peptider, till mer kraftfulla antibiotika med vägledning från både datorbaserade modeller och djurtester.

Att förvandla forntida molekyler till moderna läkemedel

Arbetet bygger på en lockande idé: att leta i utdöda djurs genom efter dolda antimikrobiella peptider. Tidigare forskning hade redan upptäckt sådana molekyler i DNA från arter som ullhårig mammut och jättelika marklöv, men många av dessa naturliga peptider hade bara måttlig aktivitet mot bakterier. Frågan här är om ett AI-system kan ta dessa grova utgångspunkter och snabbt föreslå små sekvensförändringar som förvandlar dem till starkare, säkrare antibiotika, utan det vanliga långsamma prövandet och felandet i laboratoriet.

Hur AI-designloopen fungerar

Författarna skapade ApexGO, ett designramverk som parar ihop en djupinlärningsmodell med en sökstrategi. En transformer-baserad ”översättare” omvandlar först varje peptidsekvens till en position i ett jämnt matematiskt rum, där liknande sekvenser ligger nära varandra. En andra modell, kallad APEX, förutsäger hur mycket av varje peptid som krävs för att stoppa tillväxten av flera problematiska bakterier. En bayesiansk sökalgoritm utforskar sedan det jämna rummet och föreslår nya peptidvarianter som sannolikt är mer potenta samtidigt som de håller sig åtminstone till tre fjärdedelar lika originaltemplatet och är tillverkbara i praktiken.

Från datorförslag till verkliga molekyler

Genom att använda tio olika utdöda peptider som mallar genererade ApexGO många kandidatsekvenser och valde 100 för kemisk syntes. Dessa testades i laboratoriet mot elva kliniskt viktiga bakterier, inklusive flera som ratar standardläkemedel. Åttiosex av de 100 designade peptiderna uppvisade mätbar aktivitet, och ungefär två tredjedelar var tydligt bättre än sina utgångsmallar, med ännu högre framgång mot Gramnegativa bakterier som ofta är svårast att behandla. Teamet jämförde också ApexGO med andra AI-generatorer och fann att de äldre systemen hade svårt när de tvingades hålla sig nära ett givet mall, medan ApexGO pålitligt producerade förbättrade varianter under dessa begränsningar.

Vad laboratorie- och djurtester visade

Forskarlaget grävde djupare i hur de optimerade peptiderna beter sig. De mätte hur molekylerna viks, hur de stör bakteriemembran och om de skadar humana njurceller i odling. De nya peptiderna spände över många former, från lösa kedjor till helixar, och ingen enskild struktur garanterade stark aktivitet, vilket tyder på att AI:n kan utnyttja flera fysiska vägar för att döda bakterier. De flesta av de designade peptiderna var icke-toxiska vid de doser som testades. I musmodeller av hud- och djup muskelinfektion med den farliga bakterien Acinetobacter baumannii minskade utvalda optimerade peptider bakterieantalet med tre till fyra storleksordningar. I vissa fall matchade eller överträffade de till och med reservantibiotika som polymyxin B, allt utan uppenbara biverkningar hos djuren.

Vad detta innebär för antibiotikans framtid

Studien visar att en AI-styrd optimeringsloop pålitligt kan skärpa prestandan hos befintliga peptidantibiotika, även när man börjar från endast måttligt aktiva naturliga sekvenser. Istället för att blint söka i det enorma rummet av möjliga peptider lär sig ApexGO från varje omgång förutsägelser och experiment och snävar in varianter som både är kraftfulla och relativt säkra. Även om mycket mer arbete behövs för att hantera frågor som stabilitet i kroppen och dosering hos människor, pekar detta tillvägagångssätt mot ett snabbare, mer målinriktat sätt att bygga nya antibiotika i en tid då de är mycket behövda.

Citering: 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

Nyckelord: antimikrobiell resistens, peptidantibiotika, generativ AI, Bayesiansk optimering, Läkemedelsupptäckt