Wie ein Forscher mit Codex und ChatGPT nach neuen antimikrobiellen Molekülen sucht

Arzneimittelresistente Mikroben wie Bakterien, Pilze, Parasiten und Viren stellen weltweit eine wachsende Bedrohung dar. Rund fünf Millionen Todesfälle im Jahr 2021 standen mit bakteriellen Resistenzen gegen antimikrobielle Wirkstoffe in Verbindung⁠(wird in einem neuen Fenster geöffnet). Prognosen zufolge könnte sich diese jährliche Zahl bis 2050 ungefähr verdoppeln. Es kann Jahre dauern, Moleküle zu finden, aus denen antimikrobielle Wirkstoffe entstehen könnten. Forschende nutzen KI, um diese frühe Phase der Wirkstoffsuche zu beschleunigen.

„Antimikrobielle Resistenzen gehören meiner Ansicht nach zu den größten existenziellen Bedrohungen für die Menschheit“, sagte der Bioingenieur César de la Fuente⁠(wird in einem neuen Fenster geöffnet), dessen interdisziplinäres Labor nach potenziellen antimikrobiellen Wirkstoffen sucht. „Und dennoch gab es seit 50 Jahren keine neue Antibiotikaklasse.“

Ein großer Teil der modernen Entwicklung antimikrobieller Wirkstoffe konzentriert sich darauf, vorhandene Arzneimittel zu verändern oder in bekannten chemischen Stoffklassen zu suchen. Doch dieser Ansatz bringt immer weniger Ertrag.

Das Labor von de la Fuente setzt an einem weit weniger erforschten Ort an: beim Code des Lebens. Der Arbeit liegt die zentrale Idee zugrunde, dass die Biologie ein Informationssystem ist. „Die Nukleotide, aus denen die DNA besteht, und die Aminosäuren, aus denen Proteine und Peptide bestehen, sind gewissermaßen wie ein Alphabet“, sagte de la Fuente. „Indem wir Biologie als Information betrachteten, konnten wir Methoden entwickeln, mit denen sich die Ordnungsprinzipien des Lebens allmählich entschlüsseln lassen, aus denen ein funktionsfähiges Molekül hervorgegangen ist.“

Die Deep-Learning-Modelle des Labors werden darauf trainiert, Muster in biologischen Sequenzen zu erkennen. So können sie riesige Genom- und Proteindatensätze nach potenziellen antimikrobiellen Wirkstoffen durchsuchen. Mit diesem Ansatz lässt sich die anfängliche Suche nach Molekülkandidaten von Jahren auf Stunden verkürzen.

Neben eigenen KI-Modellen nutzt das Labor ChatGPT und Codex, um Hypothesen zu entwickeln, Code zu schreiben und zu verbessern, Datensätze zu verarbeiten, Ergebnisse zu analysieren und Ideen fachübergreifend zu verknüpfen.

Nur bei einem Bruchteil eines Genoms ist die Funktion eindeutig geklärt, und noch weniger Abschnitte codieren Moleküle, die infektiöse Mikroben bekämpfen können. Die Herausforderung besteht darin, Muster zu erkennen, die ein Molekül funktionsfähig oder biologisch aktiv machen, und dann zu bestimmen, welche Moleküle infektiöse Mikroben bekämpfen könnten.

Forschende suchen schon lange in Pflanzen, Tieren, Mikroben, Insekten, Wasser und Boden nach antimikrobiellen Wirkstoffen. Sie sammeln Proben, isolieren Molekülkandidaten oder sagen sie voraus und testen diese in einem iterativen Prozess, der Jahre dauern kann.

Digitale Genom- und Proteindatenbanken ermöglichen es Forschenden heute, den gesamten Stammbaum des Lebens nach neuen Verbindungen zu durchsuchen. Dadurch wächst die Bandbreite der verfügbaren Datenbanken erheblich. Diese Informationsfülle bringt jedoch eigene Herausforderungen mit sich: Unter unzähligen Möglichkeiten müssen vielversprechende Signale gefunden werden.

KI eignet sich besonders gut für diese Suche nach der Nadel im Heuhaufen. Sie kann riesige Datensätze durchsuchen, für Forschende schwer erkennbare Muster identifizieren und eine überschaubare Auswahl an Kandidaten für experimentelle Tests priorisieren.

Ein vielversprechender Kandidat wird jedoch nicht zwangsläufig zu einem wirksamen Arzneimittel.

Forschende müssen zunächst bestätigen, dass ein Molekülkandidat die Zielmikrobe abtötet, die für eine Wirkung nötige Menge bestimmen und prüfen, wie er sich auf menschliche Zellen auswirkt. Anschließend können Fachleute aus der Chemie den Kandidaten optimieren, um seine Wirksamkeit, Sicherheit oder Stabilität zu verbessern.

Weitere Tests untersuchen, ab welcher Dosis der Kandidat toxisch wirkt, wie leicht Mikroben Resistenzen gegen das Molekül entwickeln und wie sich der Kandidat im Körper verteilt. Die Teams ermitteln außerdem ein zuverlässiges Verfahren zur Herstellung des Moleküls. Kandidaten, die diese Hürden überwinden, müssen noch das behördliche Zulassungsverfahren und klinische Studien durchlaufen, bevor sie Menschen als zugelassene antimikrobielle Arzneimittel erreichen können.

Für de la Fuente ist das der Grund, warum sich KI und Laborbiologie gemeinsam weiterentwickeln müssen. „Experimente unter realen Bedingungen sind unverzichtbar, um Vorhersagen der KI zu validieren“, sagte er. „Das wird in den kommenden Jahren für die Biowissenschaften entscheidend sein, wenn wir unser Verständnis der Biologie, des Komplexesten überhaupt, weiter vertiefen wollen, auch wenn wir dabei bislang nur an der Oberfläche kratzen.“

Sein Labor durchsucht die Genome lebender und ausgestorbener Organismen nach Molekülkandidaten. Um diese Genome zu durchsuchen, die Bildung und Funktion der darin codierten Proteine zu verstehen und die Wirkung dieser Moleküle zu bestimmen, ist Fachwissen aus mehreren Disziplinen erforderlich.

„Wir sind eine stark transdisziplinäre Gruppe. Bei uns arbeiten Menschen aus Biologie, Chemie, Informatik und Ingenieurwesen“, sagte de la Fuente. Einige Labormitglieder können sehr gut programmieren, kennen sich aber weniger mit Biologie oder Chemie aus, bei anderen ist es umgekehrt. Codex und ChatGPT helfen, diese Lücken zu schließen: Fachleute aus der Biologie können Programme entwickeln und Programmierfachleute biologische Probleme bearbeiten. In diesem Sinne senkt KI die Hürden zwischen wissenschaftlichen Disziplinen.

Es hilft Labormitgliedern, sich in unbekannte Themen für ihre interdisziplinäre Arbeit einzuarbeiten, Fachbegriffe zu klären, Methoden verschiedener Fachgebiete zu vergleichen und Ideen für die Wirkstoffsuche zu ordnen. Andere nutzen KI, um große Genomdatensätze herunterzuladen, zu organisieren und vorzuverarbeiten. Mit ChatGPT können die Labormitglieder zudem in ihrer Muttersprache arbeiten. Das senkt Hürden und beschleunigt ihre Arbeitsabläufe.

De la Fuente nutzt ChatGPT als Partner für das Brainstorming. Er entwickelt Ideen weiterhin gemeinsam mit Kolleginnen und Kollegen, schätzt aber die Fähigkeit von KI, ihn beim Ausarbeiten einer Hypothese zu unterstützen. Außerdem gefällt ihm, dass er mit einem Klick auf das Wissen der Welt zugreifen kann.

„Unser ChatGPT‑Workspace erhält Anregungen von all diesen unterschiedlichen Menschen, die jeweils anders über die Probleme nachdenken, die wir lösen möchten“, so de la Fuente. Die Labormitglieder geben dort ihre guten wie schlechten Ideen ein und machen ihn so zu einer Art gemeinsamer Resonanzfläche.

Er warnt jedoch davor, sich allein auf KI zu verlassen. „Natürlich muss man die Richtigkeit immer noch einmal überprüfen“, sagte de la Fuente.

Dennoch schätzt er die Fähigkeit von KI, Forschende dabei zu unterstützen, die Grenzbereiche zwischen wissenschaftlichen Disziplinen zu erkunden. „Dort warten die Durchbrüche darauf, entdeckt zu werden. Sie liegen im Wesentlichen an den Rändern zwischen Fachgebieten, in die sich nur sehr wenige Menschen vorwagen.“

Er sieht diese Arbeit als Teil einer viel längeren wissenschaftlichen Tradition. „Wir haben uns schon immer auf Werkzeuge und Maschinen gestützt, um die Welt um uns herum zu verstehen“, sagte de la Fuente. „Das Teleskop erhellte den Kosmos und das Mikroskop offenbarte die Welt des Unsichtbaren.“ Heute helfen Maschinen Forschenden, die Biologie zu verstehen, vorherzusagen und gezielt zu gestalten. „Genau darum geht es bei unserer Arbeit“, sagte er.