第 148 章
擊敗傳染性病原體 — 12
雖然這筆基金是一個開始，但根據世界衛生組織的預測，到2050年，抗生素耐藥性可能導致一千萬人死亡。多虧了學術實驗室運用人工智能及結構為本的藥物發現方法，我們正見證更多有潛力的候選藥物進入臨床試驗。下表總結了近期利用不同人工智能模型及結構為本藥物發現技術，針對多種值得關注的細菌物種發現高效分子的情況。
＞ 克服抗生素耐藥物種
＞ 方法
＞ 篩選化合物數量
＞ 引用
＞ C. difficile；M. tuberculosis；A. baumannii；Enterobacteriacae
＞ 深度神經網絡
＞ ＞107M – ＞23 – ＞8
＞ Stokes J，《Cell》，2020年2月20日
＞ Burkholderia cenocepacia
＞ 深度神經網絡
＞ ＞225K – ＞43 – ＞5
＞ Rahman A，《PLoS Comp Biol》，2022年10月13日
＞ 金黃色葡萄球菌；大腸桿菌；綠膿桿菌
＞ 結構為本藥物發現
＞ 不適用
＞ Wu K，《Science》，2024年2月16日
＞ 金黃色葡萄球菌
＞ 圖神經網絡
＞ ＞12M – ＞283 – ＞4
＞ Wong F，《Nature》，2023年12月20日
＞ A. baumannii
＞ 生成式人工智能
＞ ＞13K – ＞58 – ＞6
＞ Swanson K，《Nature》，2024年3月22日
＞ 大腸桿菌、肺炎克雷伯氏菌
＞ 結構為本藥物發現
＞ 不適用
＞ Huseby D，《PNAS》，2024年4月5日
資料來源：作者整理（原創）
麻省理工學院的研究人員發現了Halicin這種藥物，最初是為治療糖尿病而開發，後來發現具有抗生素特性，並利用深度學習人工智能找到相關分子。他們評估了超過107,000,000個分子，篩選至23個，並確認其中8個對多種病原體具有強效活性，部分已在實驗模型中驗證。類似方法亦應用於從超過225,000個分子中尋找對Burkholderia cenocepacia有效的抗生素，最終有5種化合物展現極強活性。三十多年來首個全新結構類別的抗生素，則來自圖神經網絡這種人工智能技術。其運作方式是從超過12,000,000個化合物中篩選，最終找到4種對動物模型無毒且對抗甲氧西林耐藥金黃色葡萄球菌有效的化合物，過程極為複雜。針對A. baumannii的抗生素搜尋首次採用生成式人工智能，從超過13,000個分子中篩選出6種具有顯著活性的化合物。這些研究的優點在於專注於易於合成的小分子，有利於低成本大規模生產。人工智能亦促成了從已滅絕生物的蛋白質組（即“extinctome”）及全球微生物組公共數據庫中大規模發現新型抗生素肽。這兩項工作預測了數萬種候選抗菌肽，初步評估超過100種已證實對細菌具有功能活性。對非抗生素藥物的大規模篩選亦已展開，產生了許多具有強效活性的候選分子。大型語言模型如ChatGPT亦被用來重新設計現有抗生素，以殺滅多重耐藥且具毒性的細菌。