MtbAIM: AI/ML-guided endpoint-specific prediction of small-molecule activity across drug-susceptible and drug-resistant Mycobacterium tuberculosis

Tuberkulose bleibt eine der beständigsten Infektionsbedrohungen der Menschheit, eine Krankheit, die trotz jahrzehntelanger medizinischer Bemühungen weiterhin jährlich über eine Million Menschenleben fordert. Die Situation ist zunehmend prekär geworden, da die für die Krankheit verantwortlichen Bakterien sich entwickeln, um die genau zur Vernichtung ihrer selbst konzipierten Medikamente zu überleben. Wenn ein Stamm von Tuberkulose-Bakterien gegen Standardmedikamente resistent wird, verengen sich die Behandlungsoptionen drastisch, was Ärzte oft dazu zwingt, auf ältere, toxischere oder weniger wirksame Therapien zurückzugreifen. Für Wissenschaftler, die versuchen, neue Heilmittel zu entdecken, stellt dies ein schwieriges Rätsel dar: Eine chemische Verbindung mag perfekt gegen eine Standardversion der resistenzsensiblen Bakterien wirken, aber völlig versagen gegenüber einem resistenten Stamm. Die Suche nach einem neuen Medikament besteht nicht mehr nur darin, etwas zu finden, das die Bakterien tötet; es geht darum, etwas zu finden, das die Bakterien auch dann tötet, wenn sie gelernt haben, sich dagegen zu wehren.

In den letzten Jahren haben Forscher versucht, dieses Rätsel mithilfe künstlicher Intelligenz zu lösen, in der Hoffnung, riesige Bibliotheken chemischer Strukturen zu scannen und vorherzusagen, welche davon funktionieren könnten, noch bevor sie jemals im Labor getestet werden. Viele dieser Computermodelle haben jedoch alle Tuberkulose-Bakterien so behandelt, als wären sie identisch, oder sie haben sich nur auf ein einziges Maß für die Wirksamkeit eines Medikaments konzentriert. Dieser Ansatz birgt das Risiko, die entscheidenden Unterschiede zwischen leicht behandelbaren und schwer behandelbaren Bakterien zu übersehen. Eine neue Studie von Forschern des Indian Institute of Technology-Delhi adressiert diese Lücke, indem sie ein spezialisiertes System entwickelt, das drug-suszeptible (medikamentensensible) und drug-resistente (medikamentenresistente) Bakterien als unterschiedliche Herausforderungen behandelt und gleichzeitig verschiedene Ebenen der Wirkpotenz betrachtet, um genau zu sehen, wie stark eine Verbindung sein muss.

Das Team unter der Leitung von Jasdeep Singh und Kritika Singh begann damit, eine massive Sammlung existierender Daten darüber zu sammeln, wie verschiedene kleine Moleküle mit Tuberkulose-Bakterien interagieren. Sie extrahierten fast 30.000 Datensätze aus einer öffentlichen wissenschaftlichen Datenbank und trennten die Informationen sorgfältig in zwei Gruppen auf: eine, die Daten darüber enthält, wie Verbindungen auf drug-suszeptible Bakterien wirken, und eine weitere für jene, die auf drug-resistente Stämme wirken. Sie stellten zudem sicher, dass die Daten nicht nur eine einfache Liste von „funktioniert“ oder „funktioniert nicht“ waren, sondern spezifische Messwerte der Konzentration enthielten, die erforderlich ist, um das Wachstum der Bakterien zu stoppen. Dies ermöglichte es ihnen, zwischen einer Verbindung, die lediglich aktiv ist, und einer, die hochwirksam ist, zu unterscheiden.

Um ihre Computermodelle zu trainieren, speisten die Forscher diese chemischen Strukturen in verschiedene Arten digitaler Repräsentationen ein. Einige dieser Repräsentationen nutzten etablierte Methoden, um die physikalischen und chemischen Eigenschaften der Moleküle zu beschreiben, während andere fortgeschrittene, vortrainierte KI-Systeme verwendeten, die gelernt hatten, molekulare Formen eigenständig zu verstehen. Das Ziel war zu sehen, welche Methode besser geeignet ist, vorherzusagen, ob ein neues, ungesehenes Chemikal wird gegen die Bakterien wirken. Entscheidend war, dass die Forscher ihre Modelle mit einer strengen Methode testeten, die sicherstellte, dass der Computer nicht einfach nur die Formen von Molekülen auswendig lernte, die er bereits gesehen hatte. Stattdessen testeten sie die Modelle an völlig neuen chemischen Familien, um das reale Szenario der Entdeckung eines Medikaments für eine Struktur zu simulieren, mit der der Computer zuvor noch nie konfrontiert worden war.

Die Ergebnisse zeigten ein klares Muster. Während die fortgeschrittenen, vortrainierten KI-Systeme in der Lage waren, nützliche Informationen über die Moleküle zu lernen, konnten sie die traditionelleren, etablierten Methoden zur Beschreibung chemischer Strukturen nicht konsistent übertreffen. Tatsächlich erwiesen sich die Modelle, die Standard-Chemiedeskriptionen mit baumbasierten Entscheidungsalgorithmen kombinierten, sowohl für drug-suszeptible als auch für drug-resistente Bakterien als die zuverlässigsten. Diese Modelle sagten erfolgreich voraus, ob eine Verbindung aktiv ist, und schätzten – was vielleicht noch wichtiger ist – die spezifische Stärke dieser Aktivität mit einem hohen Grad an Genauigkeit. Das System konnte die Komplexität der Arzneimittelresistenz bewältigen und zeigte, dass die Fähigkeit einer Verbindung, die Bakterien zu töten, kein einzelnes, feststehendes Merkmal ist, sondern stark von der spezifischen Art der Bakterien abhängt, mit denen sie konfrontiert wird.

Um diese Erkenntnisse für andere Wissenschaftler nutzbar zu machen, entwickelten die Forscher eine kostenlose Online-Plattform namens MtbAIM. Dieses Tool ermöglicht es jedem, die chemische Struktur eines Moleküls einzugeben und sofort eine Vorhersage darüber zu erhalten, wie gut es gegen sowohl drug-suszeptible als auch drug-resistente Tuberkulose wirken könnte. Die Plattform liefert eine duale Ausgabe: Sie teilt dem Nutzer mit, ob die Verbindung wahrscheinlich aktiv ist, und gibt eine spezifische Schätzung ihrer Potenz ab. Diese duale Kapazität ist entscheidend, da sie Forschern hilft, Verbindungen im Labor zu priorisieren, wodurch Zeit und Ressourcen gespart werden, indem man sich auf die vielversprechendsten Kandidaten konzentriert. Das System ersetzt nicht die Notwendigkeit tatsächlicher Labortests, fungiert aber als leistungsstarker Filter, der Wissenschaftler zu den Chemikalien leitet, die die höchste Erfolgschance haben.

Die Studie hob auch die Bedeutung der Betrachtung verschiedener Ebenen der Wirkpotenz hervor. Die Forscher fanden heraus, dass die Vorhersage der exakten Konzentration, die notwendig ist, um das Bakterienwachstum zu stoppen, möglich war, wobei die Genauigkeit dieser Vorhersagen je nach Verfügbarkeit von Daten für diese spezifische Messung variierte. Für die häufigsten Messungen waren die Modelle recht präzise, doch für seltenere Datenpunkte war die Unsicherheit höher. Indem sie diese verschiedenen Messungen getrennt hielten, anstatt sie zu vermischen, stellten die Forscher sicher, dass die Unsicherheit sichtbar und ehrlich blieb. Diese Transparenz ist ein Kernmerklement ihres Ansatzes, da sie verhindert, dass Nutzer die Sicherheit einer Vorhersage überschätzen, wenn die zugrunde liegenden Daten spärlich sind.

Letztlich zeigt diese Arbeit, dass künstliche Intelligenz ein praktischer Partner im Kampf gegen Tuberkulose sein kann, sofern sie unter Berücksichtigung der biologischen Realitäten der Krankheit konzipiert wird. Durch die Trennung von drug-suszeptiblen und drug-resistenten Bakterien und durch die Behandlung verschiedener Maße der Wirkstärke als eigenständige Fragen schufen die Forscher ein Werkzeug, das eine nuanciertere und realistischere Sicht auf potenzielle neue Behandlungen bietet. Die Erkenntnis, dass traditionelle chemische Beschreibungen gegenüber neueren, komplexeren KI-Modellen weiterhin bestehen können, legt nahe, dass im Bereich der Wirkstoffforschung etablierte Methoden in Kombination mit sorgfältiger Datenhandhabung ebenso leistungsstark sein können wie die neuesten technologischen Trends. Die daraus resultierende Plattform bietet der weltweiten wissenschaftlichen Gemeinschaft einen klaren, zugänglichen Weg, um neue Chemikalien zu screenen und uns so einen Schritt näher an die Entdeckung der nächsten Generation von Tuberkulose-Behandlungen zu bringen.