Fleming: An AI Agent for Antibiotic Discovery in Mycobacterium Tuberculosis

Fleming is een geïntegreerd AI-agent dat door middel van discriminatieve en generatieve modellen, gecombineerd met ADMET-predictie en literatuuronderzoek, succesvol nieuwe leidende verbindingen voor de behandeling van tuberculose identificeert met een hoge in vitro-trefferkans en gunstige farmacologische profielen.

De kern

Fleming: De Slimme AI-Detective die Nieuwe Antibiotica Ontdekt

Stel je voor dat de wereld wordt bedreigd door een zeer slimme, onzichtbare vijand: het tuberculose-bacterie (Mycobacterium tuberculosis). Deze bacterie is zo sterk dat veel oude medicijnen er niets meer tegen kunnen. Het vinden van een nieuw medicijn is als zoeken naar een naald in een hooiberg, maar dan in een hooiberg die gigantisch groot is en waar de naalden eruitzien als hooi.

Tot nu toe deden wetenschappers dit door miljoenen flesjes met chemicaliën één voor één te testen. Dat kost jaren, kost een fortuin en levert vaak niets op.

Maar nu is er Fleming.

Wat is Fleming eigenlijk?

Fleming is geen mens, maar een super-slimme digitale assistent (een AI-agent). Je kunt hem vergelijken met een hoofdarchitect die een team van vier gespecialiseerde vakmensen aanstuurt. Samen bouwen ze een nieuw medicijn, van het eerste idee tot het kant-en-klare ontwerp.

Hier is hoe dit team werkt, vertaald naar een alledaags verhaal:

1. De Voorspeller (De "Snuffelhond"):
   Deze agent heeft een enorme neus. Hij heeft 115.000 verschillende chemicaliën "geproefd" in de computer. Hij weet precies welke geur (structuur) een bacterie kan doden. Als je hem een nieuw idee geeft, kan hij al zeggen: "Dit werkt waarschijnlijk wel, dat niet."

2. De Schepper (De "Droomarchitect"):
   Deze agent is een creatieve kunstenaar. Hij is niet bang om iets heel nieuws te bedenken. In plaats van te kopiëren wat we al hebben, "droomt" hij nieuwe moleculen op, net zoals een schrijver een nieuw verhaal bedenkt. Hij gebruikt een techniek die "diffusie" heet, wat een beetje lijkt op het langzaam vormen van een beeld uit een wazige vlek.

3. De Kwaliteitscontroleur (De "Boekhouder"):
   Een medicijn moet niet alleen de bacterie doden; het moet ook veilig zijn voor de mens. Deze agent kijkt naar de "rekeningen": Is het giftig voor de lever? Wordt het te snel afgebroken? Hij zorgt ervoor dat het medicijn niet alleen werkt, maar ook veilig is om te slikken.

4. De Optimiseur (De "Fijnmaker"):
   Stel dat de Schepper een goed idee heeft, maar het is nog niet perfect. De Optimiseur neemt dit idee en maakt kleine aanpassingen, alsof je een recept voor een taart iets zoeter of minder zout maakt, tot het precies goed is.

Wat heeft Fleming nu gedaan?

De onderzoekers hebben Fleming de opdracht gegeven: "Vind een nieuw medicijn tegen tuberculose dat veilig is en dat we kunnen maken."

Het resultaat is verbazingwekkend:

• De Treffer: Fleming bedacht nieuwe moleculen. Toen wetenschappers deze in het echte laboratorium testten, bleek dat alle zes de geteste moleculen de bacterie doodden.
• De Kans: In de normale wereld van medicijnontwikkeling is het vinden van één werkend medicijn al een mijlpaal. Dat zes op zes werken, is alsof je zes keer op rij de loterij wint. De kans dat dit per toeval gebeurt, is kleiner dan één op een miljoen.
• Veiligheid: De moleculen waren niet alleen effectief, maar ook veilig voor menselijke cellen en konden goed in het lichaam worden opgenomen.

Waarom is dit zo belangrijk?

Vroeger was het vinden van een nieuw antibioticum als het zoeken naar een naald in een hooiberg met een magneet die soms werkte en soms niet. Fleming is als een robot die de hele hooiberg in een seconde doorzoekt, de naalden herkent, ze op hun scherpte controleert en ze zelfs in een nieuwe vorm smeedt die nog beter werkt.

Fleming combineert de kracht van data (de "rekenmachine") met de creativiteit van kunst (de "dromer") en de wijsheid van boeken (de "bibliotheek").

Conclusie

Fleming is geen vervanging voor de menselijke wetenschapper, maar een krachtige partner. Het haalt de drempel voor het vinden van nieuwe medicijnen omlaag. Waar het vroeger jaren en miljoenen euro's kostte om één kansrijk medicijn te vinden, kan Fleming dit in een fractie van de tijd doen.

In een wereld waar bacteriën steeds sterker worden, is Fleming als een nieuwe generatie superhelden die ons helpt de strijd tegen ongeneeslijke ziektes te winnen, voordat het te laat is.

Technische samenvatting

1. Het Probleem

De ontwikkeling van nieuwe antibiotica tegen Mycobacterium tuberculosis (Mtb), de bacterie die tuberculose (TB) veroorzaakt, staat voor enorme uitdagingen:

• Resistentie: Multiresistente stammen (MDR-TB) veroorzaken jaarlijks ongeveer 160.000 sterfgevallen. Bestaande antibiotica worden al decennialang gebruikt, wat leidt tot toenemende resistentie.
• Kosten en Faalsnelheid: Traditionele drugontwikkeling is duur, tijdrovend en heeft een hoge faalsnelheid.
• Beperkingen van HTS: High-Throughput Screening (HTS) test weliswaar honderdduizenden verbindingen, maar boren vaak slechts een beperkt en redundant deel van de chemische ruimte aan.
• AI-beperkingen: Bestaande AI-modellen voor moleculaire eigenschappen presteren vaak slecht op structureel nieuwe verbindingen (slecht generalisatievermogen) en generatieve modellen leveren zelden direct bruikbare drugkandidaten op zonder complexe optimalisatie.

Er is een dringende behoefte aan een geïntegreerde aanpak die de chemische ruimte efficiënter kan verkennen, rekening houdend met complexe biologische beperkingen (zoals toxiciteit en opname in het lichaam).

2. Methodologie: Het Fleming Framework

Fleming is een AI-agent (een autonoom systeem) dat verschillende gespecialiseerde sub-agenten en tools coördineert om nieuwe TB-antibiotica te ontwerpen. Het systeem werkt volgens het ReAct-paradigma (Reasoning + Acting), waarbij de agent plannen maakt, tools aanroept en resultaten verwerkt.

De architectuur bestaat uit:

• Centrale Agent: Een medicinale chemist-agent (gebaseerd op het OpenAI o4-mini LLM) die de workflow orchestreert.
• Vier Gespecialiseerde Sub-agenten:
  1. Mtb Groeiremming Agent: Voorspelt of een molecule de groei van Mtb remt.
  2. Generatieve Agent: Ontwerpt de novo nieuwe moleculen.
  3. ADMET Agent: Voorspelt farmacokinetische eigenschappen (Absorptie, Distributie, Metabolisme, Excretie) en toxiciteit.
  4. Moleculaire Optimalisatie Agent: Verfijnt ontworpen moleculen om hun eigenschappen te verbeteren zonder de remmende werking te verliezen.

Kerncomponenten en Modellen:

• Trainingsdata: Een dataset van 114.933 diverse verbindingen en fragmenten, inclusief resultaten van high-throughput screening (HTS) en 14 bestaande TB-antibiotica.
• Voorspellingsmodel (Inhibitie): Een Directed Message Passing Neural Network (DMPNN) met een evidentiële framework (eDMPNN). Dit model leert niet alleen een voorspelling te doen, maar ook de onzekerheid van die voorspelling te kwantificeren. Dit is cruciaal om betrouwbare voorspellingen te doen op nieuwe, onbekende chemische structuren.
• Generatieve Modellen:
  • Een equivariante diffusiemodel (3D-structuur generatie) dat atomaire bouwstenen assembleert.
  • SyntheMol: Een model dat werkt op fragment-niveau.
• ADMET Profiler: 37 aparte DMPNN-modellen getraind op data van het Therapeutics Data Commons (TDC) om toxiciteit en farmacokinetiek te voorspellen.
• Literatuuronderzoek: De agent gebruikt tools zoals PaperQA2 en webzoekfuncties om bestaande wetenschappelijke literatuur te raadplegen en de plausibiliteit van een molecule te verifiëren.

Werkwijze:
Fleming kan werken in twee modi:

1. Co-pilot modus: Interactief, waarbij de agent direct reageert op vragen van een onderzoeker.
2. Batch modus: Voor het verwerken van grote bibliotheken, genereren van duizenden moleculen, filteren op basis van voorspelde remming, ADMET, nieuwheid en syntheseerbaarheid, en vervolgens optimaliseren.

3. Belangrijkste Bijdragen

• Integratie van Agents: Fleming is de eerste geïntegreerde AI-agent die generatieve ontwerpen, eigendomsvoorspellingen, optimalisatie en literatuuronderzoek combineert in één workflow voor TB-drugontwikkeling.
• Evidentiële Voorspelling: Het gebruik van eDMPNN verbetert de betrouwbaarheid door onzekerheid te filteren, wat leidt tot betere generalisatie op nieuwe chemische ruimtes.
• Hoog slagingspercentage: Het systeem demonstreert een uitzonderlijk hoog "hit rate" (succespercentage) bij het voorspellen van actieve moleculen, zelfs voor volledig nieuwe structuren.
• Open Science: De code en de agent zijn beschikbaar gesteld via GitHub, wat de toegankelijkheid voor de wetenschappelijke gemeenschap vergroot.

4. Resultaten

De prestaties van Fleming werden gevalideerd via retrospectieve benchmarks en prospectieve experimenten:

• Voorspellende Kracht:
  • Het eDMPNN-model bereikte een AUROC van 0,79 en AUPRC van 0,20 na filtering op onzekerheid.
  • In prospectieve tests (435 nieuwe moleculen) voorspelde Fleming 6 remmers; 5 van de 6 (83,3%) bleken in het lab daadwerkelijk Mtb-groei te remmen.
• Generatieve Ontwerpen:
  • Fleming ontwierp moleculen met een 100% hit rate voor de novo generatieve ontwerpen (alle geteste ontwerpen waren actief).
  • De ontworpen moleculen waren 83% succesvol in het behalen van gunstige ADMET-profielen (na optimalisatie).
• Vergelijking met Andere Modellen:
  • Fleming presteerde 17% beter dan een generieke LLM-agent en 13% beter dan alleen moleculaire eigendomsvoorspelling bij het onderscheiden van TB-remmers.
  • Het systeem toonde een 17 tot 83-voudige verrijking van hits vergeleken met willekeurige screening (HTS hit rate is normaal 1-5%).
• Experimentele Validatie (Wet Lab):
  • Uit een selectie van 6 door Fleming ontworpen en door chemici geselecteerde moleculen, remde elk van de 6 moleculen de groei van de Mtb-stam mc2-7000 op een dosis-afhankelijke manier.
  • De EC50-waarden varieerden van 3,6 µM tot 75,4 µM.
  • Selectiviteit: 5 van de 6 moleculen toonden lage toxiciteit voor menselijke cellijnen (HepG2, HDF) en hoge selectiviteit voor Mtb.
  • Nieuwheid: Alle 6 moleculen hadden een Tanimoto-similariteit < 0,33 met bekende antibiotica en trainingsdata, wat aangeeft dat ze structureel uniek zijn.
  • Lipinski-regels: 5 van de 6 moleculen voldeden aan alle Lipinski-regels voor drug-achtigheid.

5. Betekenis en Conclusie

Fleming markeert een doorbraak in de AI-gedreven drugontdekking voor infectieziekten.

• Versnelling: Het systeem versnelt de preklinische identificatie van leidverbindingen aanzienlijk door de "hit rate" van traditionele screening drastisch te verhogen.
• Generalisatie: Het bewijst dat AI-agenten, in plaats van alleen voorspellende modellen, beter kunnen omgaan met de complexiteit van chemische ruimte en biologische beperkingen.
• Toekomstperspectief: Hoewel het systeem specifiek is getraind op TB, is de architectuur modulair en kan het worden aangepast voor andere ziekten door de trainingsmodellen te vervangen.
• Inclusiviteit: Door de beschikbaarheid van open-source componenten en een natuurlijke taalinterface, kan Fleming drugontdekking toegankelijker maken voor onderzoekers in zowel rijke als beperkt begrote omgevingen.

Kortom, Fleming demonstreert dat een geïntegreerde AI-agent in staat is om volledig nieuwe, synthetiseerbare en effectieve antibiotica te ontwerpen die direct in het laboratorium kunnen worden gevalideerd, een prestatie die tot nu toe ongeëvenaard was in de veld.