Η αντίσταση στα αντιβιοτικά αποτελεί μία από τις πιο επείγουσες απειλές για τη δημόσια υγεία του 21ου αιώνα. Μικρόβια που κάποτε αντιμετωπίζονταν εύκολα με απλά φάρμακα έχουν πλέον γίνει ανθεκτικά, προκαλώντας εκατομμύρια θανάτους κάθε χρόνο. Οι επιστήμονες προειδοποιούμε ότι εάν δεν ανακαλύψουμε νέες θεραπείες, μπορεί να επιστρέψουμε σε μια εποχή όπου ακόμη και μια απλή μόλυνση θα μπορούσε να αποδειχθεί μοιραία. Μέσα σε αυτό το σκοτεινό τοπίο, η τεχνητή νοημοσύνη αναδεικνύεται ως απρόσμενος σύμμαχος.
Δύο νέες επιστημονικές εργασίες δείχνουν πως τα σύγχρονα γενετικά μοντέλα μηχανικής μάθησης μπορούν να επινοήσουν, κυριολεκτικά από το μηδέν, νέα μόρια με αντιβακτηριακή δράση — δίνοντας ελπίδα για την επόμενη γενιά αντιβιοτικών.
Μία μελέτη που διεξήχθη στο MIT και δημοσιεύθηκε πρόσφατα στο έγκριτο περιοδικό Cell, περιγράφει μια πρωτοποριακή πλατφόρμα τεχνητής νοημοσύνης για τον σχεδιασμό εντελώς νέων χημικών ενώσεων. Η ερευνητική ομάδα συνδύασε γενετικούς αλγορίθμους με μεταβλητούς αυτό-κωδικοποιητές, δημιουργώντας ένα σύστημα που «μαθαίνει» τη χημική λογική των φαρμάκων και στη συνέχεια προτείνει νέες ενώσεις με επιθυμητές ιδιότητες. Το σύστημα αυτό, αφού εκπαιδεύτηκε πάνω σε εκατομμύρια γνωστά μόρια, άρχισε να παράγει νέα, άγνωστα μέχρι σήμερα σχήματα και δομές με πιθανή αντιβιοτική δράση. Σε ένα πρώτο στάδιο, οι επιστήμονες αξιολόγησαν υπολογιστικά περισσότερα από δέκα εκατομμύρια χημικά τμήματα, τα οποία δοκιμάστηκαν εικονικά ενάντια στα βακτήρια Neisseria gonorrhoeae και Staphylococcus aureus. Στη συνέχεια, οι πιο υποσχόμενες δομές συνδυάστηκαν, επεκτάθηκαν και βελτιστοποιήθηκαν μέσα από έναν κύκλο υπολογιστικών «εξελικτικών» δοκιμών.
Από τα μόρια που πρότεινε η τεχνητή νοημοσύνη, 24 συντέθηκαν στο εργαστήριο. Επτά από αυτά παρουσίασαν σημαντική αντιβακτηριακή δράση και δύο αποδείχθηκαν ιδιαίτερα αποτελεσματικά εναντίον ανθεκτικών στελεχών βακτηρίων. Τα δύο αυτά «υποψήφια φάρμακα» δοκιμάστηκαν σε πειραματόζωα και κατάφεραν να μειώσουν δραματικά τη βακτηριακή λοίμωξη σε ποντίκια που είχαν μολυνθεί με N. gonorrhoeae και MRSA (ανθεκτικό στη μεθικιλλίνη S. aureus). Το ακόμη πιο ενδιαφέρον είναι ότι τα μόρια αυτά φαίνεται να δρουν με εντελώς νέους μηχανισμούς, διαφορετικούς από αυτούς που χρησιμοποιούν τα υπάρχοντα αντιβιοτικά, κάτι που μειώνει τις πιθανότητες να αναπτυχθεί γρήγορα αντοχή.
Παράλληλα, μια δεύτερη μελέτη, που δημοσιεύθηκε πρόσφατα στο έγκριτο περιοδικό Cell Biomaterials (Cell group), προχώρησε ακόμη περισσότερο στον χώρο των βιολογικών μορίων, σχεδιάζοντας πεπτίδια με τη βοήθεια ενός μοντέλου παρόμοιου με αυτά που χρησιμοποιούνται για τη δημιουργία εικόνων από την τεχνητή νοημοσύνη. Το σύστημα ονομάζεται AMP-Diffusion και βασίζεται σε «γλωσσικά» μοντέλα πρωτεϊνών, τα οποία έχουν εκπαιδευτεί πάνω σε εκατομμύρια φυσικές αλληλουχίες. Η τεχνητή νοημοσύνη ξεκίνησε προσθέτοντας τυχαίο θόρυβο σε γνωστά μοτίβα και, μέσα από ένα αντίστροφο «καθάρισμα» του θορύβου, παρήγαγε νέες αλληλουχίες πεπτιδίων με πιθανή αντιμικροβιακή δράση. Από τις 50.000 αλληλουχίες που προτάθηκαν, οι ερευνητές επέλεξαν 46 για σύνθεση. Τα αποτέλεσματα έδειξαν ότι 35 από αυτές, δηλαδή το 76%, σκότωσαν βακτήρια στο εργαστήριο, ενώ δύο εμφάνισαν εξαιρετική αποτελεσματικότητα σε πειραματικά μοντέλα μόλυνσης σε ποντίκια, χωρίς να προκαλούν τοξικότητα. Το γεγονός ότι ένα τόσο μεγάλο ποσοστό των σχεδιασμένων μορίων λειτούργησε στην πράξη δείχνει πως η τεχνητή νοημοσύνη μπορεί πλέον να «κατανοεί» σε βάθος τη βιολογία των μορίων.
Στο ίδιο πνεύμα, μια μελέτη που παρουσιάστηκε στο bioRxiv τον Μάιο του 2025 εισήγαγε το σύστημα SyntheMol-RL, το οποίο αξιοποιεί ενισχυτική μάθηση για τον σχεδιασμό μικρών και εύκολα συνθέσιμων μορίων με αντιβακτηριακή δράση. Το μοντέλο αξιολόγησε θεωρητικά έναν χημικό χώρο 46 δισεκατομμυρίων πιθανών ενώσεων, εστιάζοντας ταυτόχρονα στην αποτελεσματικότητα και στη διαλυτότητα — δύο χαρακτηριστικά που καθορίζουν αν μια ουσία μπορεί να εξελιχθεί σε φάρμακο. Από τα 79 μόρια που συντέθηκαν, 13 έδειξαν ισχυρή δράση και ένα, το «synthecin», απέδειξε την αποτελεσματικότητά του σε μοντέλο μόλυνσης από MRSA σε ποντίκια. Το εντυπωσιακό στοιχείο εδώ είναι ότι όλα τα μόρια ήταν χημικά ρεαλιστικά και μπορούσαν να παραχθούν με χαμηλό κόστος, κάτι που σπάνια ισχύει για τα «φανταστικά» μόρια που προτείνουν τα περισσότερα μοντέλα τεχνητής νοημοσύνης.
Η πρόκληση πλέον δεν έγκειται στη σύλληψη νέων αντιβιοτικών, αλλά στην ασφαλή καθοδήγησή τους από τον υπολογιστή στο φάρμακο. Η τεχνητή νοημοσύνη μπορεί να παράγει χιλιάδες υποσχόμενα μόρια μέσα σε λίγα λεπτά, όμως η πραγματική δοκιμασία έρχεται στα εργαστήρια και στις κλινικές. Τα περισσότερα υποψήφια φάρμακα αποτυγχάνουν στα στάδια ασφάλειας, τοξικότητας ή σταθερότητας. Ωστόσο, η δυνατότητα αυτών των νέων μοντέλων να δημιουργούν μόρια που όχι μόνο υπάρχουν στα χαρτιά αλλά και συντίθενται, δοκιμάζονται και λειτουργούν, σηματοδοτεί μια βαθιά αλλαγή στην ίδια τη διαδικασία της φαρμακοανακάλυψης.
Μπορεί να χρειαστούν χρόνια μέχρι ένα από αυτά τα νέα αντιβιοτικά να φτάσει στα νοσοκομεία, αλλά το μήνυμα είναι σαφές: μια νέα εποχή εγκαινιάζεται για την επιστήμη, όπου η δημιουργικότητα δεν αποδίδεται μόνο στους ερευνητές, αλλά και στους αλγορίθμους που έχουν εκπαιδευτεί από αυτούς.
[Torres, M. D. T., Chen, L. T., Wan, F., Chatterjee, P. & de la Fuente-Nunez, C. Cell Biomaterials1, 100183 (2025)
Krishnan, A. et al. Cell https://doi.org/10.1016/j.cell.2025.07.033 (2025)
Swanson, K. et al. Preprint at bioRxiv https://doi.org/10.1101/2025.05.17.654017 (2025)
Stokes JM, Yang K, Swanson K, Jin W, Cubillos-Ruiz A, Donghia NM, MacNair CR, French S, Carfrae LA, Bloom-Ackermann Z, Tran VM, Chiappino-Pepe A, Badran AH, Andrews IW, Chory EJ, Church GM, Brown ED, Jaakkola TS, Barzilay R, Collins JJ. A Deep Learning Approach to Antibiotic Discovery. Cell. 2020 Feb 20;180(4):688-702.e13. doi: 10.1016/j.cell.2020.01.021. Erratum in: Cell. 2020 Apr 16;181(2):475-483. doi: 10.1016/j.cell.2020.04.001]
