Improving Generalizability in Whole-Cell Antibiotic Discovery Through Active Learning

Stellen Sie sich vor, Sie sind ein Schatzsucher, der nach einem ganz bestimmten, seltenen Edelstein (einem neuen Antibiotikum) sucht, der in einem riesigen, chaotischen Lagerhaus voller Millionen verschiedener Kisten (chemischer Verbindungen) versteckt ist.

Das Problem: Das kostspielige Ratespiel
Normalerweise müssen Wissenschaftler, um diese Edelsteine zu finden, Kiste um Kiste öffnen und prüfen, was sich darin befindet. Das ist wie ein „Whole-Cell“-Screening: Es ist der einzige Weg, um sicher zu wissen, ob eine Kiste den Schatz enthält, aber es ist unglaublich teuer, langsam und erschöpfend. Wenn man versucht, einen Computer darauf zu trainieren, zu erraten, welche Kisten Edelsteine enthalten, nur indem man die Etiketten betrachtet, wird der Computer oft verwirrt, wenn er Kisten sieht, die er noch nie zuvor gesehen hat. Es ist wie ein Schüler, der die Antworten für eine bestimmte Prüfung auswendig gelernt hat, aber völlig versagt, wenn die Fragen etwas anders gestellt sind.

Die Lösung: Der kluge Kundschafter (Active Learning)
Diese Arbeit stellt eine intelligentere Suchmethode vor, die „Active Learning“ genannt wird. Anstatt blind Kisten zu öffnen oder einfach nur diejenigen auszuwählen, die am ehesten nach Edelsteinen aussehen, agiert der Computer wie ein kluger Kundschafter, der während des Prozesses lernt.

Die Forscher testeten drei verschiedene Strategien für diesen Kundschafter:

1. Der Entdecker (Explorer): Wählt Kisten aus, die völlig seltsam und neu sind (um über das Unbekannte zu lernen).
2. Der Ausbeuter (Exploiter): Wählt Kisten aus, die genau wie die bisher gefundenen Edelsteine aussehen (um sofortige Funde zu maximieren).
3. Der ausgewogene Kundschafter (Balanced Scout): Eine Mischung aus beidem.

Das Experiment: Den Kundschafter trainieren
Zuerst führte das Team eine „Simulation“ unter Verwendung alter Daten aus einer Suche nach Tuberkulose-bekämpfenden Medikamenten durch. Sie ließen den Computer diese drei Strategien testen, um zu sehen, welche am besten lernt. Sie fanden heraus, dass der ausgewogene Kundschafter der Gewinner war. Er wusste, wann er bei dem bleiben sollte, was funktionierte, und wann er etwas Neues ausprobieren musste, was ihm half, die „Regeln“ des Lagerhauses besser zu verstehen als die anderen.

Der Praxistest: Die echten Edelsteine finden
Nachdem der ausgewogene Kundschafter trainiert worden war, setzte man ihn bei einer realen Suche nach einem Medikament zur Bekämpfung von Borrelia burgdorferi (den Bakterien, die Lyme-Borreliose verursachen) ein.

• Der alte Weg: Wenn menschliche Experten die Kisten auswählten, die geöffnet werden sollten, fanden sie nur in 0,2 % der Fälle (1 zu 500) einen Edelstein.
• Der neue Weg: Als der ausgewogene Kundschafter die Kisten auswählte, sprang die Erfolgsquote auf 1,0 %. Das klingt wenig, aber in dieser Welt bedeutet das, dass sie mit dem gleichen Aufwand fünfmal mehr Edelsteine fanden.

Der große Gewinn: Die Zukunft vorhersagen
Die wahre Magie geschah, als man den trainierten Computer bat, einen völlig anderen, riesigen Stapel von Kisten anzusehen, den er noch nie zuvor gesehen hatte, einschließlich Kisten von anderen Arten von Bakterien.

• Das Ergebnis: Die Vorhersagen des Computers waren 53 Mal besser als das, was menschliche Experten allein leisten könnten.
• Der Beweis: Als sie tatsächlich die Kisten öffneten, die der Computer empfahl, enthielten 11 % dieser Kisten das aktive Medikament. Noch besser: 100 % dieser Medikamente wirkten genau wie beabsichtigt, indem sie gezielt nur die spezifischen Bakterien angriffen, die sie bekämpfen sollten, ohne andere zu schädigen.

Das Fazit
Diese Arbeit zeigt, dass Wissenschaftler durch den Einsatz eines klugen, ausgewogenen Ansatzches zur Schulung von Computern die hohen Kosten der Tests überwinden können. Sie können einen Computer zu einem allgemeinen Experten trainieren, der nicht nur alte Daten auswendig lernt, sondern tatsächlich in der Lage ist, neue, wirksame Medikamente in riesigen, unerforschten chemischen Welten vorherzusagen und zu finden.