Gruźlica pozostaje najgroźniejszą chorobą zakaźną na świecie, a opracowanie nowych leków przeciwko Mycobacterium tuberculosis jest procesem wyjątkowo czasochłonnym i kosztownym. Naukowcy z Texas A&M AgriLife Research postanowili wykorzystać sztuczną inteligencję, aby usprawnić ten proces. Opracowane przez nich narzędzia AI pomagają eliminować fałszywie obiecujące związki chemiczne już na wczesnym etapie badań oraz porządkować ogromne zbiory danych gromadzone przez lata. Dzięki temu badacze mogą szybciej koncentrować się na najbardziej perspektywicznych kandydatach na nowe leki przeciw gruźlicy.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja wspiera odkrywanie nowych leków przeciw gruźlicy i dlaczego może znacząco przyspieszyć ten proces.
- Jak działa model AI CAGE-Fusion, który pomaga eliminować fałszywie obiecujące związki chemiczne już na wczesnym etapie badań.
- Jaką rolę odgrywa platforma DAIKON w porządkowaniu i analizowaniu wieloletnich danych dotyczących odkrywania leków na gruźlicę.
- Dlaczego AI nie zastępuje naukowców, lecz pomaga podejmować trafniejsze decyzje i ograniczać czas oraz koszty badań.
Gruźlica nadal pozostaje jednym z największych wyzwań zdrowia publicznego
Pomimo postępu medycyny gruźlica wciąż stanowi jedno z największych zagrożeń dla zdrowia publicznego. Według Światowej Organizacji Zdrowia (WHO) jest obecnie najgroźniejszą chorobą zakaźną na świecie.
Leczenie gruźlicy wymaga wielomiesięcznej terapii, natomiast w przypadku szczepów lekoopornych lub współistniejącego zakażenia HIV może trwać jeszcze dłużej. Dodatkowym problemem jest fakt, że większość chorych mieszka w krajach o niskich i średnich dochodach, gdzie dostęp do diagnostyki i leczenia jest ograniczony.
Profesor James Sacchettini z Texas A&M AgriLife Research podkreśla, że odkrywanie nowych leków przeciw gruźlicy jest wyjątkowo trudne również z biologicznego punktu widzenia. Bakteria posiada grubą, woskową ścianę komórkową, która utrudnia przenikanie leków, a jej powolny wzrost sprawia, że prowadzenie badań laboratoryjnych trwa znacznie dłużej niż w przypadku wielu innych bakterii. Jak zauważa naukowiec:
Przeprowadzenie eksperymentu z gruźlicą zajmuje czasem miesiące, a w przypadku gronkowca lub paciorkowca może to zająć tydzień. To jeden z powodów, dla których proces odkrywania leków przebiegał stosunkowo wolno. To idealny obszar do pracy z SI.
AI pomaga wybrać najlepszych kandydatów na nowe leki
Jednym z największych problemów w odkrywaniu leków jest ogromna liczba potencjalnych związków chemicznych uzyskiwanych podczas badań przesiewowych. Jak wyjaśnia James Sacchettini:
Możemy uzyskać tysiące związków z badania, a potem musimy zdecydować, nad którym z nich będziemy pracować?
To właśnie na tym etapie do procesu włączono sztuczną inteligencję. Laboratorium opracowało narzędzie AI wspierające naukowców po zakończeniu wstępnego screeningu związków chemicznych. Celem systemu nie jest wskazanie jednego idealnego leku, lecz szybkie odrzucenie kandydatów, którzy z dużym prawdopodobieństwem okażą się ślepą uliczką badawczą. Profesor Sacchettini podkreśla:
Jakie informacje możemy uzyskać, które naprawdę pomogą nam podejmować decyzje? Gdybyśmy mogli wykorzystać sztuczną inteligencję do skrócenia czasu od pomysłu do rzeczywistego leczenia, byłoby wspaniale.
Platforma DAIKON porządkuje lata badań nad gruźlicą
Zanim zespół rozpoczął rozwój modeli AI, konieczne było uporządkowanie ogromnych ilości danych badawczych. W tym celu laboratorium stworzyło otwartą platformę DAIKON, opublikowaną w 2023 roku. System umożliwia śledzenie całego procesu odkrywania leku – od identyfikacji genu i celu molekularnego po kolejne etapy badań chemicznych.
Z platformy korzysta obecnie Tuberculosis Drug Accelerator (TBDA) – międzynarodowe konsorcjum finansowane przez Fundację Gatesów, które skupia laboratoria i partnerów przemysłowych zajmujących się opracowywaniem nowych terapii przeciw gruźlicy. Nowe modele sztucznej inteligencji zostały bezpośrednio zintegrowane z DAIKON, dzięki czemu analiza danych odbywa się automatycznie podczas napływu nowych wyników eksperymentalnych.
Model CAGE-Fusion wykrywa fałszywie obiecujące związki
Jednym z najważniejszych osiągnięć zespołu jest model AI nazwany CAGE-Fusion. Podczas badań przesiewowych wiele związków wydaje się skutecznych wyłącznie dlatego, że zakłócają działanie testów laboratoryjnych lub wykazują nieswoiste właściwości chemiczne. Takie tzw. „uciążliwe cząsteczki” mogą pochłaniać miesiące pracy badawczej i setki tysięcy dolarów. Jak wyjaśnia James Sacchettini:
Te «uciążliwe cząsteczki» kosztowały nas mnóstwo czasu. Jednym z celów jest ich identyfikacja, abyśmy nie musieli spędzać miesięcy, lat ani wydawać setek tysięcy dolarów na pracę nad nimi.
Model CAGE-Fusion analizuje dane z wcześniejszych badań przesiewowych i klasyfikuje związki do czterech grup problematycznych:
- związki tworzące agregaty,
- związki zakłócające sygnał chemiczny testu,
- związki reagujące chemicznie zamiast wiązać się z celem,
- związki oddziałujące z wieloma celami jednocześnie.
W testach model prawidłowo wskazywał problematyczny związek w około 94% przypadków. Co więcej, system pokazuje badaczom, które fragmenty cząsteczki zostały uznane za potencjalnie problematyczne. Jak podkreśla Siddhant Rath:
Model może przeprowadzić użytkownika przez cały proces i pokazać, które obszary cząsteczek uznano za problematyczne.
AI przekształca tysiące danych w łatwo dostępną wiedzę
Drugim kierunkiem rozwoju jest wykorzystanie sztucznej inteligencji do zarządzania ogromnymi zasobami wiedzy zgromadzonymi przez konsorcjum TBDA. Przez wiele lat wyniki badań były rozproszone pomiędzy prezentacjami, notatkami, bazami danych i dokumentacją laboratoryjną. Nowy system AI integruje wszystkie informacje, umożliwiając naukowcom wyszukiwanie danych za pomocą interfejsu przypominającego czat. Jak opisuje James Sacchettini:
W ciągu kilku sekund dowiem się, kto przedstawił dany temat, co o nim powiedział, a następnie wyświetlę prezentację, abym mógł obejrzeć slajdy.
Dzięki temu możliwe jest szybkie odnalezienie wcześniejszych wyników dotyczących konkretnej cząsteczki, nawet jeśli projekt został zakończony wiele lat wcześniej.
AI nie zastępuje naukowców, ale pomaga podejmować lepsze decyzje
Twórcy narzędzi podkreślają, że sztuczna inteligencja nie ma zastąpić doświadczenia badaczy. Jej rolą jest ograniczenie liczby kosztownych błędów oraz szybsze wskazanie kierunków, które warto rozwijać. Jak podsumowuje James Sacchettini:
Nie liczymy, że sztuczna inteligencja da nam dokładną odpowiedź. Ale może nam powiedzieć, nad czym nie powinniśmy pracować, a to z kolei podpowie nam, nad czym powinniśmy pracować. To naprawdę ogromna oszczędność czasu.
Sztuczna inteligencja coraz ważniejszym narzędziem w odkrywaniu leków
Rozwój modeli AI wpisuje się w szerszy trend wykorzystania sztucznej inteligencji w projektowaniu nowych leków. Coraz większa moc obliczeniowa oraz dostęp do ogromnych zbiorów danych sprawiają, że algorytmy mogą wspierać badaczy na niemal każdym etapie procesu – od identyfikacji celu molekularnego po analizę wyników badań przedklinicznych.
Prace prowadzone w Texas A&M pokazują, że AI nie musi zastępować klasycznych metod laboratoryjnych, lecz może znacząco zwiększać ich efektywność, skracając czas potrzebny do opracowania nowych terapii przeciw chorobom zakaźnym, takim jak gruźlica.
O Texas A&M AgriLife Research
Texas A&M AgriLife Research to jedna z największych jednostek badawczych w Stanach Zjednoczonych zajmujących się naukami biologicznymi, rolniczymi i biomedycznymi. Instytucja jest częścią Texas A&M University System i prowadzi badania obejmujące m.in. zdrowie ludzi i zwierząt, biotechnologię, bezpieczeństwo żywności oraz rozwój nowoczesnych technologii medycznych.
Laboratorium prof. Jamesa Sacchettiniego od wielu lat specjalizuje się w badaniach nad gruźlicą oraz opracowywaniu nowych leków przeciwko Mycobacterium tuberculosis. Zespół współpracuje z międzynarodowym konsorcjum Tuberculosis Drug Accelerator (TBDA), wspieranym przez Fundację Gatesów, a także rozwija innowacyjne narzędzia wykorzystujące sztuczną inteligencję do przyspieszania procesu odkrywania nowych terapii.
Główne wnioski
- Naukowcy z Texas A&M AgriLife Research opracowali narzędzia sztucznej inteligencji, które wspierają wybór najbardziej obiecujących kandydatów na leki przeciw gruźlicy i ograniczają liczbę kosztownych błędów badawczych.
- Model AI CAGE-Fusion identyfikuje problematyczne związki chemiczne z około 94% skutecznością, pomagając eliminować fałszywie dodatnie wyniki już na etapie badań przesiewowych.
- Platforma DAIKON, wykorzystywana przez konsorcjum Tuberculosis Drug Accelerator (TBDA), integruje dane z wielu lat badań i umożliwia ich szybkie przeszukiwanie z wykorzystaniem sztucznej inteligencji.
- Gruźlica pozostaje najgroźniejszą chorobą zakaźną na świecie według WHO, dlatego wykorzystanie AI może przyspieszyć rozwój nowych terapii oraz skrócić czas i obniżyć koszty procesu odkrywania leków.
Źródło:
- https://link.springer.com/article/10.1186/s13321-026-01207-4
