抗生素耐藥性是全球人類健康面臨的最大威脅之一。 2024年，它直接造成127萬人死亡，導致近500萬人死亡。 幾十年來，沒有開發出新的抗生素類別。
現在，研究人員報告說，他們已經使用人工智慧發現了一類新的抗生素候選物。 麻省理工學院詹姆斯柯林斯實驗室和哈佛大學布羅德研究所的乙個團隊使用一種名為deep 習的人工智慧來篩選數百萬種化合物的抗生素活性。
然後，他們在小鼠身上測試了283種有前途的化合物，發現了幾種對耐甲氧西林金黃色葡萄球菌（MRSA）和耐萬古黴素腸球菌有效，這是一些最頑固和最難殺死的病原體。 與典型的人工智慧模型不同，它是乙個難以理解的“黑匣子”，可以遵循模型的推理，並可以理解其背後的生物化學。
這一進展建立在該小組和其他人先前的研究基礎上，該研究涉及這項新研究在利用人工智慧幫助指導新抗生素開發方面的重要性。
我對柯林斯實驗室的這項新工作感到非常興奮——我認為這是乙個偉大的下乙個突破。 這是乙個直到五年前才成為研究領域的研究領域。 這是乙個非常令人興奮且非常新興的工作領域，其主要目標是使用人工智慧進行抗生素發現和抗生素設計。 在過去的五年裡，我自己的實驗室一直在研究這個問題。
在這項研究中，研究人員使用深習試圖發現一種新型抗生素。 他們還實現了“可解釋的AI”的概念，這很有趣，因為當我們想到機器習和深習時，我們將它們視為黑匣子。 因此，我認為開始將可解釋性納入我們正在構建的一些模型中是很有趣的，這些模型將人工智慧應用於生物學和化學。 作者能夠找到幾種似乎可以減少小鼠模型感染的化合物，所以這總是令人興奮的。
一般來說，人工智慧和機器可以系統地、非常快速地挖掘結構或您提供給它們的任何型別的資料集。 如果考慮傳統的抗生素發現過程，發現一種新的抗生素大約需要 12 年時間，發現任何臨床候選藥物需要 3 到 6 年的時間。 然後你必須把它們過渡到I期、II期和III期臨床試驗。
現在，有了機器，我們已經能夠加快這一過程。 例如，在我自己與同事和同事的合作中，我們可以在幾個小時內發現數千或數十萬個臨床前候選藥物，而不必等待三到六年。 我認為人工智慧總體上已經實現了這一點。 我認為另乙個例子是柯林斯實驗室的工作，在這種情況下，通過使用深度習，該團隊已經能夠對數百萬種化合物進行分類，以識別一些看起來很有前途的化合物。 這很難手動完成。
那裡仍然存在差距。 您將需要進行系統的毒性研究，然後進行 IND 前 [研究性新藥] 研究。 美國食品和藥物管理局要求您進行這些研究，以評估您的潛在興奮藥物是否可以過渡到 I 期臨床試驗，這是任何臨床試驗的第一階段。 因此，仍然需要採取這些不同的步驟。 但同樣，我認為這是人工智慧在微生物學和抗生素領域使用的另乙個非常令人興奮的進步，這確實是乙個新興領域。 我們的夢想是，有一天人工智慧將能夠創造出可以挽救生命的抗生素。
是的，他們在兩個小鼠模型中證明了這一點，這很有趣。 每當你有關於小鼠感染的資料時，它總是更令人興奮——它表明這些化合物實際上能夠減少真實世界小鼠模型中的感染。
作為使用人工智慧的另乙個例子，我們最近在自己的實驗室中挖掘了已滅絕生物的基因組和蛋白質組，並且我們能夠確定許多臨床候選抗生素。
我認為，如果有一天我們將人工智慧視為一門工程學科，這一點很重要。 在工程中，您始終能夠分解構成結構的不同部分，並了解每個部分的作用。 但就人工智慧而言，尤其是深習，因為它是乙個黑匣子，我們不知道中間會發生什麼。
為了給我們乙個復合的 x 或 y 或解 x 或 y，很難重現發生的事情。 因此，開始深入研究黑匣子，了解每一步的實際情況，是我們實現目標的關鍵一步。 能夠將人工智慧轉化為一門工程學科。 朝著正確方向邁出的第一步是使用可解釋的人工智慧來嘗試理解機器實際在做什麼。 它不再是乙個黑匣子——也許是乙個灰色的盒子。
優質作者名單