Sztuczna inteligencja może opracować terapie zapobiegające "superbakteriom

Naukowcy z Cleveland Clinic opracowali model sztucznej inteligencji (AI), który może określić najlepszą kombinację i czas podawania leków w celu leczenia infekcji bakteryjnej wyłącznie na podstawie tempa wzrostu bakterii w określonych warunkach. Zespół kierowany przez dr Jacoba Scotta i jego laboratorium w Theoretical Division of Translational Hematology and Oncology niedawno opublikował swoje odkrycia w czasopiśmie Proceedings of the National Academy of Sciences.

Antybiotyki przypisuje się wydłużeniu średniej długości życia w Stanach Zjednoczonych o prawie dekadę. Leczenie zmniejszyło liczbę zgonów z powodu problemów zdrowotnych, które obecnie uważamy za nieistotne, takich jak niektóre skaleczenia i urazy. Jednak antybiotyki nie działają już tak dobrze, jak kiedyś, częściowo dlatego, że są tak szeroko stosowane.

„Światowe organizacje zajmujące się zdrowiem zgadzają się, że wkraczamy w erę poantybiotykową” – wyjaśnia dr Scott. „Jeśli nie zmienimy sposobu walki z bakteriami, do 2050 roku więcej osób umrze z powodu infekcji opornych na antybiotyki niż z powodu raka”.

Bakterie szybko się rozmnażają, produkując zmutowane potomstwo. Nadmierne stosowanie antybiotyków daje bakteriom możliwość rozwinięcia mutacji, które są oporne na leczenie. Z czasem antybiotyki zabijają wszystkie podatne bakterie, pozostawiając tylko silniejsze mutanty, których antybiotyki nie mogą zabić.

Jedną ze strategii, którą lekarze stosują w celu usprawnienia leczenia zakażeń bakteryjnych, jest rotacja antybiotyków. Pracownicy służby zdrowia naprzemiennie stosują różne antybiotyki w czasie. Zmiana leków daje bakteriom mniej czasu na rozwinięcie oporności na jedną klasę antybiotyków. Rotacja może nawet sprawić, że bakterie staną się bardziej podatne na inne antybiotyki.

„Rotacja leków daje nadzieję na skuteczne leczenie chorób” – mówi pierwszy autor badania i student medycyny Davis Weaver, PhD. „Problem polega na tym, że nie wiemy, jak najlepiej to zrobić. Nie ma standardów dotyczących tego, jaki antybiotyk podawać, jak długo i w jakiej kolejności”.

Współautor badania, dr Jeff Maltas, badacz podoktorancki w Cleveland Clinic, używa modeli komputerowych, aby przewidzieć, w jaki sposób oporność bakterii na jeden antybiotyk osłabia je na inny. Współpracował z dr Weaver, aby sprawdzić, czy modele oparte na danych mogą przewidywać wzorce rotacji leków, które minimalizują oporność na antybiotyki i maksymalizują podatność, pomimo losowej natury ewolucji bakterii.

Dr Weaver kierował zastosowaniem uczenia się przez wzmacnianie w modelu rotacji leków, który uczy komputer uczenia się na błędach i sukcesach, aby określić najlepszą strategię wykonania zadania. Badanie jest jednym z pierwszych, w którym zastosowano uczenie się przez wzmacnianie w schematach rotacji antybiotyków, według dr Weaver i dr Maltas.

Schematyczna symulacja ewolucyjna i przetestowane podejścia optymalizacyjne. Źródło: Proceedings of the National Academy of Sciences (2024). DOI: 10.1073/pnas.2303165121

„Uczenie się przez wzmacnianie jest idealnym podejściem, ponieważ wystarczy wiedzieć, jak szybko rosną bakterie, co jest stosunkowo łatwe do ustalenia” – wyjaśnia dr Weaver. „Jest też miejsce na ludzką zmienność i błąd. Nie trzeba mierzyć tempa wzrostu co do milisekundy za każdym razem”.

Zespół badawczy AI był w stanie ustalić najskuteczniejsze plany rotacji antybiotyków w celu leczenia wielu szczepów E. coli i zapobiegania lekooporności. Badanie pokazuje, że AI może wspierać złożone podejmowanie decyzji, takie jak obliczanie harmonogramów leczenia antybiotykami, mówi dr Maltas.

Dr Weaver wyjaśnia, że poza zarządzaniem infekcją u pojedynczego pacjenta, model AI zespołu może informować, jak szpitale leczą infekcje w ogóle. On i jego zespół badawczy pracują również nad rozszerzeniem swojej pracy poza infekcje bakteryjne na inne śmiertelne choroby.

„Ten pomysł nie ogranicza się do bakterii, można go zastosować do każdego obiektu, który może rozwinąć oporność na leczenie” – mówi. „Wierzymy, że w przyszłości tego typu sztuczna inteligencja mogłaby być wykorzystywana do leczenia nowotworów opornych na leczenie”.