„KI wird ein Gamechanger in der Antibiotikaforschung“

Ich bin überzeugt, dass KI ein Gamechanger in der Antibiotikaforschung werden wird. Damit lässt sich die Suche nach den wirksamen Antibiotika unter den Naturstoffen enorm beschleunigen und damit die Entwicklung billiger und schneller machen. Das HIPS, und die Universität des Saarlandes haben das Projekt NextAID ins Leben gerufen, das ist die die Abkürzung für „Neuro-explicit AI for Drug Discovery“. Inzwischen kooperieren wir unter anderem auch mit dem Helmholtz-Zentrum für Informationssicherheit, kurz CISPA, gestern erst haben mein geschätzter Kollege Jilles Vreeken vom CISPA und ich uns wieder getroffen dazu. 

Wie genau hilft Künstliche Intelligenz bei der Suche nach den passenden Antibiotika?

Zurzeit hilft sie vor allem beim Priorisieren, und das ist schon ein entscheidender Vorteil. In der Praxis funktioniert das so: Wir füttern die KI mit Daten über die Keime, ihre genetischen Eigenschaften, molekularbiologische Wirkungen, die Oberflächenstruktur der Zellen und wie sie auf verschiedene bekannte Antibiotika reagieren. Die Eigenschaften der Antibiotika „kennt“ die KI ebenfalls. Dann berechnet sie daraus die Wahrscheinlichkeiten, welche Abwehrmechanismen zu Resistenzen  führen und welche Naturstoffe am ehesten Fähig sind, diese zu umgehen oder zu durchbrechen. Dann bekommen wir vom Computer zum Beispiel eine Top-20-Liste derjenigen Naturstoffe, die nach KI-Berechnungen am wahrscheinlichsten geeignet sind, bestimmte multiresistente Keime zu knacken.

Damit die KI hier tatsächlich vielversprechende Substanzen in die Liste aufnimmt, muss sie ja zunächst mit einigen Daten gefüttert werden. Müssen diese Daten nicht auch erst erhoben werden, oder zumindest in eine Form gebracht werden, dass die KI damit etwas anfangen kann?

Es stimmt, grundsätzlich gilt: Je mehr Daten wir der KI – in der richtigen Qualität natürlich – geben, desto besser wird ihre Priorisierung. Hier kommt uns eine Entwicklung in der internationalen Forschung entgegen: Der Trend geht stark hin zu mehr Datenaustausch nach dem sogenannten FAIR-Prinzip, das steht für Findable, Accessible, Interoperable und Reusable. Zusätzlich wird Federated Learning eingesetzt: Dabei trainieren verschiedene Einrichtungen KI Modelle mit ihren Daten und helfen so dabei, ein robusteres Modell zu erstellen. Klar, das Sammeln der Daten und das Trainieren dauert auch erst einmal ein bis zwei Jahre. Aber selbst wenn man diese Zeit mit einberechnet, kann KI trotzdem noch eine enorme Zeitersparnis bringen.

An Antibiotika gegen welche Erreger arbeiten Sie aktuell bei NextAID und im HIPS?

Einer unserer Schwerpunkte ist die Behandlung von Tuberkulose. Das ist global betrachtet ein riesiges Problem: WHO-Schätzungen zufolge erkranken jährlich mehr als zehn Millionen Menschen, 1,6 Millionen von ihnen sterben daran. Man könnte in Deutschland meinen, das ist weit weg, aber angesichts des globalen Reiseverkehrs, der Migrationsströme und des Klimawandels wird Tuberkulose sich auch wie    der in Deutschland ausbreiten. Und Resistenzen gegen die bewährten Kombinationstherapien aus verschiedenen Antibiotika treten leider immer häufiger auf.

Wie geht man weiter vor, wenn die KI zum Beispiel eine Liste der vielversprechendsten Substanzen zur Behandlung von Tuberkulose erstellt hat?

Zunächst lassen wir die Wirkstoffe produzieren. Das passiert biotechnologisch in den allermeisten Fällen mit Bakterien oder einzelligen Pilzen, wie zum Beispiel Hefen. Und dann probieren wir im Labor aus, wie gut sie jeweils gegen Tuberkulose-Erreger wirken.

Das klingt ja eigentlich recht einfach.

Vom Prinzip her ist es das auch, aber in der Praxis ist es dann doch komplizierter. Zunächst ist es nicht immer so, dass direkt unter den 20 Naturstoffen auch tatsächlich etwas Wirksames ist. Und dann muss man natürlich auch schauen, ob die Substanz Menschen überhaupt verabreicht werden kann. Um optimale Ergebnisse zu erzielen ist es wichtig, dass wir die KI mit möglichst vielen Daten neuer Naturstoffe füttern und selbst auch nach neuen Substanzen suchen. Dazu hat das HIPS zusammen mit der Naturlandstiftung Saar ein Community Science-Projekt namens MICROBELIX ins Leben gerufen: Dabei kann uns jede:r Bürger:in Bodenproben zum Beispiel aus dem eigenen Garten schicken, die dann im Labor analysiert werden auf darin enthaltene Naturstoffe. Eine weitere Quelle für neue Substanzen trägt jeder von uns im Darm: Das Mikrobiom.

Ist das so zu verstehen, dass in unserem Darm auch Antibiotika produziert werden?

Im Prinzip ja, Die Bakterien im Verdauungssystem produzieren eine Reihe von teilweise noch unbekannten Substanzen, die teilweise gegen Bakterien wirken, die nicht zum Mikrobiom gehören. Entsprechend können wir gezielter als sonst nach vielversprechenden Wirkstoffen fahnden. Wir fragen uns zum Beispiel: Warum ist ausgerechnet dieser und jener Patient weniger anfällig für bestimmte Erkrankungen? Wir suchen nach Antworten im Mikrobiom, also nach bestimmten Bakterienstämmen im Darm, die bei den „robusten“ Menschen vermehrt vorkommen, und dann schauen wir uns an, welche Substanzen diese Stämme produzieren. Solche Daten und Informationen lassen wir auch in die KI einfließen.

Und die Priorisierungslisten der KI verbessert sich weiter.

Ja, das hoffen wir natürlich. Womöglich sind solche Priorisierungslisten auch nur der Anfang der Möglichkeiten, die KI uns bei der Suche nach neuen Antibiotika bietet. Vielleicht wird KI bald schon so weit sein, dass sie uns bestimmte Molekülstrukturen vorschlägt als Kandidaten für wirksame Antibiotika – und wir versuchen dann, diese Strukturen zu designen. Man würde dann von generativer KI sprechen, also KI, die selbst etwas Neues vorschlägt. Vielleicht kommt das schon in ein oder zwei Jahren, das ist schwer vorherzusagen, möglich wäre es! Aber selbst heute leistet KI schon einen wesentlichen Beitrag dazu, dass die Menschheit beim Kampf gegen multiresistente Keime nicht den Anschluss verliert.