深度学习AI发现令人惊讶的新抗生素

 
想象你是一个化石猎人。您在亚利桑那州的高温中花费了数月的时间来挖掘骨骼，却发现自己发现的是先前发现的恐龙。
这就是最近寻找抗生素的方法。相对较少的抗生素猎人一直在寻找相同类型的抗生素。
随着许多病原体的耐药性迅速提高，迫切需要新的抗生素。伤口或划伤会威胁生命，只是时间问题。然而，近来很少有新抗生素进入市场，甚至这些只是旧抗生素的微小变体。
尽管前景黯淡，但最近的人工智能(AI)革命带来了新的希望。在2月20日发表在《细胞》杂志上的一项研究中，麻省理工学院和哈佛大学的科学家使用了一种称为深度学习的AI来发现新的抗生素。
从土壤或植物提取物中发现抗生素的传统方法尚未发现新的候选药物，解决这一问题也存在许多社会和经济障碍。一些科学家最近试图通过在细菌的DNA中寻找新的产生抗生素的基因来解决这一问题。其他人则在异国他乡寻找抗生素。
通过这种非常规的方法发现的毒品要进入市场将面临艰难的道路。在皮氏培养皿中有效的药物在体内可能无法很好地起作用。它们可能吸收不好或有副作用。大量生产这些药物也是一个重大挑战。
深度学习
进入深度学习。这些算法为当今的许多面部识别系统和自动驾驶汽车提供了动力。它们通过学习数据模式来模仿大脑中的神经元如何运作。单个人工神经元(如微型传感器)可能会检测出简单的图案，例如线条或圆圈。通过使用数千个人工神经元，深度学习AI可以执行极其复杂的任务，例如识别视频中的猫或检测活检图像中的肿瘤。
鉴于其强大的功能和成功的经验，得知正在寻找新药的研究人员正在拥抱深度学习AI并不奇怪。然而，建立一种用于发现新药的AI方法并非易事。在很大程度上，这是因为在AI领域没有免费的午餐。
No Free Lunch定理指出，没有普遍适用的算法。这意味着，如果一个算法在一项任务中表现出色，例如面部识别，那么它将在另一项任务(例如药物发现)中表现出色。因此，研究人员不能简单地使用现成的深度学习AI。
哈佛-麻省理工学院的团队使用一种新型的深度学习AI(称为图神经网络)进行药物发现。早在2010年的AI石器时代，用于药物发现的AI模型就是使用化学物质的文字描述建立的。这就像通过“黑眼睛”和“长鼻子”之类的词来形容一个人的脸。这些文本描述符很有用，但显然不会画出整个图片。哈佛-MIT小组使用的AI方法将化学物质描述为原子网络，这使算法比文字描述所提供的化学物质更为完整。
人类知识和AI空白板
然而，仅深度学习不足以发现新的抗生素。它需要与感染的深厚生物学知识相结合。
哈佛-麻省理工学院的团队精心设计了AI算法，其中包括有效和无效药物的示例。此外，他们使用已知对人类安全的药物来训练AI。然后，他们使用AI算法从数百万种化学药品中识别出可能安全但有效的抗生素。
与人不同，人工智能没有先入为主的概念，尤其是关于抗生素的外观。我的实验室最近使用老式的AI技术，发现了一些令人惊讶的候选药物来治疗结核病，其中包括抗精神病药。在哈佛-MIT小组的研究中，他们找到了新候选人的金矿。这些候选药物看起来并不像现有的抗生素。 Halicin是一种很有前途的候选药物，目前正在开发一种治疗糖尿病的药物。
令人惊讶的是，halicin不仅对大肠杆菌(经过AI算法训练的细菌)有效，而且还对更致命的病原体(包括引起结核病和结肠炎症的病原体)有效。值得注意的是，Halicin对耐药的鲍曼不动杆菌具有强效作用。该细菌在疾病控制与预防中心汇编的最致命的病原体中名列前茅。
不幸的是，Halicin的强大功效表明它也可能破坏我们体内的无害细菌。由于它最初被设计为抗糖尿病药物，因此它也可能具有代谢副作用。鉴于迫切需要新的抗生素，这些可能是为挽救生命而付出的小牺牲。
保持领先地位
鉴于Halicin的前景，我们是否应该停止寻找新的抗生素?
Halicin可能会清除所有障碍，并最终进入市场。但是它仍然需要克服顽强的敌人，这是耐药性危机的主要原因：进化。在过去的一个世纪中，人类向病原体投掷了许多药物。然而，病原体一直在发展抗药性。因此，直到我们遇到对Halicin有抗药性的感染，这可能不会太久。尽管如此，借助深度学习AI的力量，我们现在可能更适合于快速响应新型抗生素。
使用AI发现潜在的抗生素要进入临床面临许多挑战。这些药物的测试条件与人体内部条件不同。我的实验室和其他实验室正在构建新的AI工具，以模拟人体的内部环境以评估抗生素的效力。 AI模型现在也可以预测药物毒性和副作用。这些AI技术一起可能很快使我们在抗药性永无止境的战斗中站稳了脚跟。