抗生素耐藥性是人類健康面臨的最大的全球威脅之一。它直接導致了據估計2019年有127萬人死亡，並促成了近五百萬例死亡。這個問題在新冠疫情期間變得更加嚴重。並且幾十年來沒有開發出新的抗生素類別。
現在研究人員報告說，他們已經使用人工智慧發現了一類新的抗生素候選物。麻省理工學院-哈佛大學博德研究所詹姆斯·柯林斯實驗室的一個團隊使用了一種名為深度學習的人工智慧，篩選了數百萬種化合物的抗生素活性。然後，他們在小鼠身上測試了283種有前景的化合物，發現了幾種對耐甲氧西林金黃色葡萄球菌（MRSA）和耐萬古黴素腸球菌有效的化合物——其中一些是最頑固、最難殺滅的病原體。與典型的作為神秘“黑匣子”執行的人工智慧模型不同，有可能追溯該模型的推理並理解其背後的生物化學原理。
這項發展建立在該小組之前的研究和其他研究的基礎上，包括塞薩爾·德拉富恩特（César de la Fuente）的工作，他是賓夕法尼亞大學佩雷爾曼醫學院精神病學系的助理教授，以及他的同事。大眾科學與德拉富恩特談論了這項新研究對於使用人工智慧幫助指導新型抗生素開發的意義。
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
[以下是採訪的編輯稿。]
使用人工智慧發現新型抗生素的這一發現有多重要？
我對柯林斯實驗室的這項新工作感到非常興奮——我認為這是下一個偉大的突破。這是一個直到五年前甚至還不是一個研究領域的領域。這是一個非常令人興奮且新興的工作領域，其主要目標是使用人工智慧進行抗生素髮現和抗生素設計。我自己的實驗室在過去五年裡一直致力於此。在這項研究中，研究人員使用深度學習來嘗試發現一種新型抗生素。他們還實施了“可解釋人工智慧”的概念，這很有趣，因為當我們想到機器學習和深度學習時，我們認為它們是黑匣子。因此，我認為開始將可解釋性納入我們正在構建的一些將人工智慧應用於生物學和化學的模型中是很有趣的。作者們能夠找到幾種似乎可以減少小鼠模型感染的化合物，所以這總是令人興奮的。
在篩選和識別新型抗生素化合物方面，人工智慧比人類有什麼優勢？
人工智慧和機器通常可以系統且非常快速地挖掘您給它們的結構或任何型別的資料集。如果您考慮傳統的抗生素髮現流程，發現一種新型抗生素大約需要12年，而發現任何臨床候選藥物需要三到六年。然後您必須將它們過渡到I期、II期和III期臨床試驗。現在，藉助機器，我們已經能夠加速這一過程。例如，在我和我同事自己的工作中，我們可以在幾個小時內發現成千上萬或數十萬種臨床前候選藥物，而不必等待三到六年。我認為人工智慧總體上促成了這一點。我認為另一個例子是柯林斯實驗室的這項工作——在這種情況下，透過使用深度學習，該團隊已經能夠篩選數百萬種化合物，以識別出幾種看起來有希望的化合物。這對於手動操作來說將非常困難。
將這種新型抗生素轉化為臨床藥物還需要哪些後續步驟？
那裡仍然存在差距。您將需要系統的毒性研究，然後是pre-IND [研究性新藥] 研究。美國食品和藥物管理局要求您進行這些研究，以評估您潛在的令人興奮的藥物是否可以過渡到I期臨床試驗，這是任何臨床試驗的第一階段。因此，這些不同的步驟仍然需要進行。但我再次認為，這是在這個真正新興的微生物學和抗生素領域中使用人工智慧的另一個非常令人興奮的進展。我們夢想著希望有一天人工智慧能夠創造出可以拯救生命的抗生素。
這項新研究中發現的化合物在小鼠體內有效地殺死了MRSA等微生物，對嗎？
是的，他們表明在兩種小鼠模型中都有效，這很有趣。每當您有小鼠感染資料時，這總是更令人興奮的——這表明這些化合物實際上能夠在真實的小鼠模型中減少感染。
作為使用人工智慧的另一個例子，我們最近在我的實驗室挖掘了已滅絕生物的基因組和蛋白質組，並且我們能夠識別出許多臨床抗生素候選物。
人工智慧模型“可解釋”為什麼重要？
我認為，如果我們有一天將人工智慧視為一門工程學科，那麼這一點很重要。在工程學中，您始終能夠拆解構成某種結構的不同部分，並且您瞭解每個部分在做什麼。但在人工智慧的情況下，特別是深度學習，因為它是一個黑匣子，我們不知道中間發生了什麼。為了給我們化合物X或Y或解決方案X或Y，很難重現發生了什麼。因此，開始深入研究黑匣子，看看每個步驟中實際發生了什麼是我們能夠將人工智慧轉變為工程學科的關鍵一步。朝著正確方向邁出的第一步是使用可解釋的人工智慧，以便嘗試理解機器實際在做什麼。它變得不再是一個黑匣子——也許是一個灰匣子。