Fleming: An AI Agent for Antibiotic Discovery in Mycobacterium Tuberculosis

Fleming ist ein integrativer KI-Agent, der durch die Kombination diskriminierender und generativer Modelle auf einer großen Datenbasis neue Wirkstoffkandidaten gegen Mycobacterium tuberculosis identifiziert und dabei sowohl eine hohe In-vitro-Treffquote als auch günstige ADMET-Eigenschaften nachweist.

Das Wesentliche

Stellen Sie sich vor, Sie suchen nach dem perfekten Schlüssel, um ein riesiges, verschlossenes Schloss zu öffnen. Das Schloss ist der Tuberkulose-Erreger (Mycobacterium tuberculosis), ein sehr widerstandsfähiger Bakteriumstamm, der oft gegen herkömmliche Antibiotika immun ist. Die Suche nach neuen Schlüsseln (neuen Medikamenten) war bisher wie eine Nadel im Heuhaufen-Suche: teuer, langsam und oft erfolglos.

Hier kommt Fleming ins Spiel. Fleming ist kein gewöhnlicher Computer, sondern ein künstlicher Intelligenz-Agent, der wie ein super-intelligenter, unermüdlicher Detektiv und Erfinder in einem funktioniert.

Hier ist die Geschichte von Fleming, einfach erklärt:

1. Der Chef-Detektiv und sein Team

Fleming ist wie der Chef eines hochmodernen Forschungslabors. Er hat sich ein Team aus vier spezialisierten Assistenten zusammengestellt, die alle zusammenarbeiten:

• Der Türsteher (Wachsamkeits-Agent): Dieser prüft, ob ein neuer chemischer Stoff den Tuberkulose-Bakterien wirklich schadet.
• Der Erfinder (Generativer Agent): Dieser ist ein kreativer Künstler, der völlig neue chemische Strukturen aus dem Nichts erschafft, die noch nie zuvor existiert haben.
• Der Sicherheitsinspektor (ADMET-Agent): Bevor ein Medikament den Menschen erreicht, muss es sicher sein. Dieser Agent prüft, ob das Medikament giftig ist, wie der Körper es verarbeitet und ob es im Blut bleibt.
• Der Optimierer: Wenn ein Entwurf fast gut ist, aber noch kleine Mängel hat, poliert dieser Agent das Molekül auf, bis es perfekt funktioniert.

2. Die große Bibliothek des Wissens

Um zu lernen, wie man die Tuberkulose bekämpft, hat Fleming eine riesige Bibliothek durchsucht. Er hat sich die Daten von über 114.000 verschiedenen chemischen Verbindungen angesehen. Stellen Sie sich das vor wie das Studium von Millionen von Rezepten, um zu verstehen, welche Zutaten Bakterien töten und welche nicht.

Früher haben Wissenschaftler diese Suche manuell gemacht oder einfache Computerprogramme genutzt, die oft nur bekannte Muster wiederholten. Fleming hingegen nutzt künstliche Intelligenz, um Muster zu erkennen, die für das menschliche Auge unsichtbar sind. Er lernt nicht nur aus alten Daten, sondern versteht auch, wie unsichere oder neue Daten zu bewerten sind.

3. Die kreative Erschaffung neuer Welten

Das Besondere an Fleming ist, dass er nicht nur bestehende Schlüssel sucht, sondern ganz neue Schlüssel erfindet.

• Er nutzt eine Technik namens "Diffusion". Stellen Sie sich das vor wie einen Künstler, der aus einer Wolke aus atomaren Bausteinen (wie Lego-Steinen) ein neues Molekül formt.
• Dieser Erfinder-Agent schafft Tausende von neuen Designs.
• Aber: Nicht jedes neue Design ist brauchbar. Deshalb schaltet Fleming sofort den Sicherheitsinspektor und den Optimierer ein. Er filtert alle Designs heraus, die zu giftig sind oder zu schwer herzustellen wären.

4. Der große Test: Vom Computer zum Labor

Das Wahnsinnige an dieser Studie ist, dass Fleming nicht nur im Computer getestet wurde. Die Forscher haben die besten von Fleming entworfenen Moleküle tatsächlich im Labor synthetisiert (hergestellt) und getestet.

Das Ergebnis war fast unglaublich:

• Von den sechs Molekülen, die Fleming entwarf und die Forscher dann im Labor bauten, töteten alle sechs das Tuberkulose-Bakterium ab.
• Das ist wie wenn ein Architekt sechs neue Hausentwürfe macht und alle sechs sofort bewohnbar sind, ohne dass man sie umbauen muss. Bei herkömmlichen Methoden wäre die Erfolgsquote oft nur 1 von 100 oder noch geringer.
• Zudem waren diese neuen Moleküle sicher für menschliche Zellen (wenig giftig) und hatten gute Eigenschaften, um im Körper zu wirken.

5. Warum ist das so wichtig?

Die Tuberkulose ist ein globales Problem, das durch resistente Bakterien immer schlimmer wird. Herkömmliche Methoden, neue Medikamente zu finden, dauern Jahre und kosten Milliarden.

Fleming zeigt uns einen neuen Weg:

• Geschwindigkeit: Er durchsucht chemische Räume, die für Menschen zu groß sind.
• Kreativität: Er findet völlig neue Lösungen, die niemand vorher bedacht hätte.
• Sicherheit: Er prüft die Sicherheit eines Medikaments, bevor es überhaupt im Labor gebaut wird.

Zusammenfassend:
Fleming ist wie ein Super-Assistent für Wissenschaftler. Er kombiniert das Wissen aus unzähligen Büchern, die Rechenkraft modernster Computer und die Kreativität eines Künstlers, um die gefährlichsten Bakterien der Welt zu besiegen. Er macht die Suche nach Heilmitteln nicht nur schneller, sondern auch viel erfolgreicher. Statt stundenlang im Heuhaufen zu suchen, gibt Fleming uns genau die Nadel, die wir brauchen – und zwar in einer Form, die wir noch nie gesehen haben.

Technische Zusammenfassung

1. Problemstellung

Die Entwicklung neuer Antibiotika gegen Mycobacterium tuberculosis (Mtb), insbesondere gegen multiresistente Stämme (MDR-TB), ist mit enormen Herausforderungen verbunden: hohe Kosten, lange Entwicklungszeiten und extrem niedrige Erfolgsquoten bei herkömmlichen Hochdurchsatz-Screenings (HTS).

• Limitationen des HTS: Herkömmliche Screening-Methoden testen oft nur einen begrenzten und redundanten chemischen Raum, was zu einer geringen Entdeckung neuer Wirkstoffklassen führt.
• KI-Herausforderungen: Bestehende KI-Modelle für die Vorhersage molekularer Eigenschaften leiden oft unter mangelnder Generalisierbarkeit bei strukturell neuen Verbindungen und unzureichenden Unsicherheitsabschätzungen. Generative Modelle sind oft durch Trainingsdaten-Bias eingeschränkt und produzieren schwer synthetisierbare Moleküle.
• Integrationsdefizit: Es fehlt an Plattformen, die Vorhersagemodelle für Wirksamkeit (Inhibition) nahtlos mit ADMET-Eigenschaften (Absorption, Distribution, Metabolism, Excretion, Toxicity), synthetischer Zugänglichkeit und chemischem Fachwissen (Literatur) in einem einzigen Workflow vereinen.

2. Methodik: Das Fleming-Framework

Fleming ist ein integrativer, agentenbasierter KI-Systemansatz, der auf einem zentralen „Medicinal Chemist Agent" (orchestriert durch ein Large Language Model, spezifisch OpenAI o4-mini) basiert. Dieser koordiniert vier spezialisierte Sub-Agenten und eine Vielzahl von Werkzeugen.

A. Architektur und Agenten:

1. Inhibitions-Agent: Nutzt einen auf Directed Message Passing Neural Networks (DMPNN) basierenden Vorhersagemodell, das auf über 114.000 Verbindungen trainiert wurde.
2. Generativer Agent: Verwendet zwei Modelle für das de novo-Design:
   • Ein äquivariantes Diffusionsmodell (basierend auf 3D-Strukturen).
   • SyntheMol (ein fragmentbasiertes generatives Modell).
3. ADMET-Agent: Bewertet pharmakokinetische und toxische Eigenschaften mittels 37 separaten DMPNN-Modellen (Trainingsdaten aus Therapeutics Data Commons).
4. Optimierungs-Agent: Verfeinert generierte Moleküle durch gerichtete Suche nach molekularen Nachbarn (SynSpace), um ADMET-Eigenschaften zu verbessern, ohne die Inhibitionsaktivität zu verlieren.
5. Literatur-Agent: Nutzt Tools wie PaperQA2 und Web-Suche, um chemische Strukturen mit wissenschaftlicher Literatur abzugleichen und die Plausibilität von Wirkmechanismen zu prüfen.

B. Trainingsdaten und Modellierung:

• Datensatz: Ein hochdiverser Datensatz von 114.933 Verbindungen (113.919 kleine Moleküle, 1.000 Fragmente, 14 bekannte TB-Antibiotika) mit experimentellen in-vitro-Wachstumshemmungsdaten.
• Modellarchitektur: Der DMPNN wurde mit einem evidentiellen Framework (eDMPNN) erweitert, um Unsicherheiten in den Vorhersagen zu quantifizieren (Dirichlet-Verlust). Dies ermöglichte das Filtern von Vorhersagen mit niedriger Konfidenz.
• Workflow: Fleming kann im „Co-pilot"-Modus (interaktiv) oder im „Batch"-Modus (Massenverarbeitung) arbeiten. Im Batch-Modus werden generierte Moleküle nach Inhibition, ADMET, Neuheit und Synthesierbarkeit sortiert, optimiert und durch einen LLM-Filter auf Plausibilität geprüft.

3. Schlüsselbeiträge

• Integrierter KI-Agent: Erstmals wird ein Agenten-Framework vorgestellt, das generative Design, Eigenschaftsvorhersage, Optimierung und literaturbasiertes Reasoning in einem geschlossenen Kreislauf für die TB-Wirkstoffentwicklung vereint.
• Evidenzielle Unsicherheitsquantifizierung: Die Einführung des eDMPNN verbessert die Zuverlässigkeit der Vorhersagen, insbesondere bei Verbindungen, die vom Trainingsraum abweichen.
• Hohe Generalisierbarkeit: Fleming zeigt eine signifikant bessere Leistung bei der Vorhersage von Eigenschaften für strukturell neue Moleküle im Vergleich zu reinen KI-Modellen oder generischen LLMs.
• Experimentelle Validierung: Das System generierte nicht nur Vorhersagen, sondern führte zu synthetisierbaren, neuartigen Molekülen, die im Labor erfolgreich getestet wurden.

4. Ergebnisse

Modellleistung und Validierung:

• Inhibitionsvorhersage: Das eDMPNN-Modell erreichte eine AUROC von 0,79 und eine AUPRC von 0,20 nach Unsicherheitsfilterung.
• Prospektive Validierung: Bei der Vorhersage von 435 neuen, diversen Molekülen lag die Trefferquote (Hit Rate) bei 83,3% (5 von 6 vorhergesagten Inhibitoren bestätigten sich experimentell).
• Vergleich mit anderen Modellen: Fleming zeigte eine 17% höhere Diskriminierungsfähigkeit zwischen TB-Leads und anderen Krankheits-Leads als ein generischer LLM-Agent und 13% besser als reine Eigenschaftsvorhersage bei schwierigen ADMET-Aufgaben.

Generatives Design und Experimente:

• De Novo Design: Fleming generierte Moleküle mit hoher struktureller Neuheit (Tanimoto-Similarität < 0,33 zu Trainingsdaten).
• Synthese und Test: Aus einer großen Menge generierter Kandidaten wurden 6 Moleküle für die Synthese ausgewählt.
  • Ergebnis: Alle 6 synthetisierten Moleküle zeigten eine dosisabhängige Hemmung des Mtb-Wachstums (in vitro).
  • Wirksamkeit: Die EC50-Werte lagen zwischen 3,6 µM und 75,4 µM.
  • Selektivität: 5 der 6 Verbindungen zeigten eine moderate bis hohe Selektivität (Selektivitätsindex bis 10,8) gegenüber menschlichen Zelllinien (HepG2, HDF).
  • ADMET-Profil: Die Moleküle erfüllten die Lipinski-Regeln und zeigten günstige pharmakokinetische Profile (z. B. Halbwertszeit, Plasmabindung).

Benutzerfeedback:

• 73% der wissenschaftlichen Nutzer (Chemiker, Biologen) bewerteten Fleming als „hochwertig" in Bezug auf die Begründung und Validität der vorgeschlagenen Strukturen.

5. Bedeutung und Ausblick

Fleming demonstriert einen Paradigmenwechsel in der Wirkstoffentwicklung:

• Beschleunigung: Das System reduziert die Zeit von der Idee zum validierten Hit erheblich, indem es den chemischen Raum effizienter durchsucht als zufällige Screenings (die Hit-Rate von 1–5% wird auf 83% bei den generierten Designs gesteigert).
• Neuartigkeit: Es gelingt, Verbindungen zu finden, die strukturell weit entfernt von bekannten Antibiotika liegen, was das Potenzial für neue Wirkmechanismen gegen resistente Stämme erhöht.
• Skalierbarkeit: Der Ansatz ist nicht auf TB beschränkt; durch das Austauschen der Trainingsmodelle kann das Framework leicht auf andere Krankheiten adaptiert werden.
• Zugänglichkeit: Durch die Integration von LLMs und Open-Source-Komponenten wird die Hürde für die computergestützte Wirkstoffforschung gesenkt, auch in ressourcenarmen Umgebungen.

Zusammenfassend stellt Fleming einen robusten Beweis für die Fähigkeit von KI-Agenten dar, komplexe biologische und chemische Anforderungen zu erfüllen und dabei neuartige, synthetisierbare und wirksame Antibiotika-Kandidaten zu identifizieren, die in herkömmlichen Pipelines oft übersehen würden.