The Brief
Wissenschaft und Entdeckung 4 Min. Lesezeit

Von Jahren zu Wochen: Was von KI entdeckte Antibiotika verraten

NAVION

Teilen

Zwei MIT-Professoren haben den Pritzker Prize 2026 für exzellente KI in der wissenschaftlichen Forschung gewonnen. Regina Barzilay und James Collins wurden für ihre Arbeit ausgezeichnet, die an der Schnittstelle von Machine Learning und einem der dringendsten Probleme der Medizin liegt, nämlich der globalen Krise der Antibiotikaresistenzen. Ihre Forschung hat nicht nur neue Medikamente hervorgebracht. Sie hat gezeigt, dass der Prozess zu ihrer Findung grundlegend beschleunigt werden kann.

Die Entdeckung, die mit 2.500 Molekülen begann

Die Zusammenarbeit zwischen Barzilay und Collins brachte ihr erstes großes Resultat im Jahr 2020 in einer in Cell veröffentlichten Arbeit mit dem damaligen Postdoc Jonathan Stokes als Erstautor hervor. Das Thema war Halicin, das erste Antibiotikum, das durch künstliche Intelligenz identifiziert wurde. Der Name ist eine Anspielung auf HAL 9000, die fiktive KI aus Stanley Kubricks Film 2001: Odyssee im Weltraum von 1968, eine Wahl, die etwas darüber verrät, wie die Forscher den Moment verstanden, in dem sie sich befanden.

Halicin wurde nicht von Grund auf neu entworfen. Es wurde ursprünglich als potenzielles Diabetesmedikament untersucht. Ein Deep-Learning-Model, trainiert mit 2.500 Molekülen, identifizierte es als einen Kandidaten, den es sich zu testen lohnte. Als das Team diese Tests durchführte, erwies sich Halicin als wirksam gegen mehrere antibiotikaresistente Bakterien, darunter Clostridium difficile, Acinetobacter baumannii und Mycobacterium tuberculosis. Das sind keine unbekannten Erreger. Sie gehören zu den Organismen, die resistente Infektionen im klinischen Umfeld so gefährlich machen.

Die Geschwindigkeit der Entdeckung ist das, was die meiste Berichterstattung herunterspielt. Ein Prozess, der traditionell Jahre gedauert hätte, wurde innerhalb weniger Wochen abgeschlossen. Diese Verdichtung ist keine Fußnote. Sie ist der Kern dessen, was diesen Ansatz bedeutsam macht.

Schmal schlägt breit: Die Logik hinter Abaucin

Das zweite große Resultat folgte 2023. Erneut zusammen mit Stokes, der mittlerweile Assistenzprofessor an der McMaster University ist, nutzten Barzilay und Collins Machine Learning, um Abaucin zu identifizieren. Im Gegensatz zu Halicin ist Abaucin ein Schmalbandantibiotikum, es zielt also auf eine einzige Art ab, nämlich A. baumannii, statt auf ein breites Spektrum von Bakterien.

Diese Spezifität ist keine Einschränkung. Sie ist ein Designvorteil. Breitbandantibiotika sind zwar wirksam, schaffen aber Bedingungen, die die Entwicklung von Resistenzen begünstigen, und können nützliche Bakterien im Darm stören. Ein Schmalbandmedikament, das präzise gegen einen resistenten Erreger wirkt, verringert beide Risiken. A. baumannii ist ein besonders relevantes Ziel, da es häufig auf Krankenhausoberflächen zu finden ist und in den Wunden von Soldaten dokumentiert wurde, die in Konfliktzonen stationiert sind.

Der Wechsel von Halicin zu Abaucin veranschaulicht zudem etwas darüber, wie sich dieses Forschungsprogramm weiterentwickelt. Die erste Entdeckung bewies das Konzept. Die zweite begann es zu verfeinern, indem sie sich stärker auf zielgerichtete Eingriffe zubewegte, statt einfach zu replizieren, was Breitbandantibiotika bereits tun.

Was das außerhalb des Labors bedeutet

Der Pritzker Prize, der 2024 von der University of Chicago in Partnerschaft mit Caltech ins Leben gerufen wurde, wurde speziell geschaffen, um Arbeiten auszuzeichnen, die sowohl KI als auch die Naturwissenschaften oder das Ingenieurwesen gemeinsam voranbringen. Dieser Rahmen ist wichtig. Er spiegelt eine wachsende Erkenntnis wider, dass die folgenreichsten Anwendungen von KI nicht allein im Technologiesektor stattfinden. Sie finden in der Biologie, der Chemie und der Medizin statt, also in Bereichen, in denen die Probleme schwieriger und die Einsätze höher sind.

Collins hat das historische Modell der Entdeckung von Antibiotika als langsam, kostspielig und unvorhersehbar beschrieben, als einen Prozess von Versuch und Irrtum, der nur wenige tragfähige Kandidaten hervorbringt. Der Wandel, auf den er hinweist, geht von KI als Entdeckungswerkzeug, das bestehende Moleküle nach verborgenem Potenzial scannt, hin zu KI als Designtool, das in der Lage ist, neue Kandidaten zu generieren, statt bekannte nur zu bewerten. Diese Unterscheidung ist wichtig für das, was als Nächstes kommt.

Barzilay bietet einen besonneneren Rahmen. Ihrer Ansicht nach befindet sich das Feld noch in einem frühen Stadium. KI kann Teile der Pipeline zur Medikamentenfindung automatisieren, aber nicht die Gesamtheit. Der Aufbau realistischer KI-Modelle der menschlichen Biologie bleibt ein offenes und schwieriges Problem. Das ist kein Pessimismus. Das ist Präzision. Die Forschung hat echte Leistungsfähigkeit bewiesen und gleichzeitig ehrlich benannt, wo die Lücken bleiben.

Hier ist, was diese Kombination aus Ehrgeiz und Vorsicht tatsächlich signalisiert: Die Arbeit ist genau deshalb glaubwürdig, weil sie nicht übertriebene Versprechungen macht. Die Ergebnisse sind real und dokumentiert. Die Einschränkungen werden anerkannt. Diese Kombination ist rarer, als sie in Diskussionen über KI und Medizin sein sollte.

Kurz gefasst

Barzilay und Collins nutzten Deep Learning, um zwei Antibiotika zu identifizieren, nämlich Halicin im Jahr 2020 und Abaucin im Jahr 2023, deren Findung mit konventionellen Methoden Jahre gedauert hätte. Die Geschwindigkeit, die Spezifität und der Fokus auf resistente Erreger machen diese Arbeit direkt relevant für eine der schwerwiegendsten Herausforderungen der globalen Medizin. Der Pritzker Prize 2026 würdigt nicht nur die Ergebnisse, sondern auch den Ansatz, KI zur Erweiterung wissenschaftlicher Entdeckungen in einem Bereich zu nutzen, in dem menschliche Anstrengung allein nicht ausgereicht hat. Die Forscher selbst machen deutlich, dass dies ein Anfang ist und keine Lösung. Der Aufbau der KI-Modelle, die die Medikamentenfindung wirklich transformieren könnten, ist nach wie vor die Arbeit, die vor ihnen liegt.

Basierend auf Berichten von MIT News.

Zur Originalstudie.

Geschrieben von

NAVION