Künstliche Intelligenz gegen Antibiotikaresistenz: Wie AlphaFold und AMR-AI neue Antibiotika finden

Könnte künstliche Intelligenz uns dabei helfen, verlorenes Terrain zurückzugewinnen – dort, wo die klassischen Methoden der Medizin zuletzt an Wirkung eingebüsst haben? Mit KI können Forschende inzwischen Millionen chemischer Strukturen auswerten und die Suche nach neuen Antibiotika deutlich beschleunigen.

Vom Zufallsfund zur Übernutzung: das Antibiotika-Zeitalter

Als Fleming 1928 eher zufällig die Penicillin-Wirkung beobachtete, begann eine der grössten Umwälzungen der Medizingeschichte: die Ära der Antibiotika. Mit diesen Wirkstoffen gelang es, selbst schwerste Infektionen in den Griff zu bekommen. Sie wurden zur nahezu idealen Waffe gegen Hunderte Erkrankungen – und entsprechend großzügig eingesetzt.

Bakterien unterliegen jedoch wie alle Lebewesen der natürlichen Selektion. Durch den massiven Antibiotikaeinsatz haben wir unabsichtlich einen enormen evolutiven Druck auf Milliarden Mikroorganismen ausgeübt. Varianten, die zufällig eine schützende Mutation trugen, überlebten, vermehrten sich und gaben ihren Vorteil weiter. Über Generationen hinweg – Bakterien durchlaufen davon Tausende pro Tag – wurde unser therapeutisches Arsenal schrittweise stumpfer. Die Folge: Das Auftreten behandelungsresistenter „Superbakterien“ wird leider immer häufiger.

Warum neue Antibiotika so teuer und langsam entstehen

Dass die WHO Antibiotikaresistenz heute zu den schwerwiegendsten globalen Gesundheitsrisiken zählt, kommt daher nicht überraschend. Einfach permanent neue Antibiotika gegen resistente Stämme zu entwickeln, ist zudem nur begrenzt eine Lösung: Damit würde der Teufelskreis oft weiter angetrieben. Hinzu kommt der Aufwand: Die Entwicklung eines Antibiotikums verschlingt Milliarden US-Dollar, und bis zur Markteinführung können rund zehn Jahre vergehen.

Genau hier setzt moderne KI an, um die Abläufe zu beschleunigen. Systeme wie AlphaFold können die dreidimensionale Struktur von Proteinen vorhersagen und so helfen, molekulare Angriffspunkte von Bakterien besser zu verstehen. Zudem gibt es Modelle wie AMR-AI, die biologische Evolutionspfade von Krankheitserregern prognostizieren. Die Stärke dieser Werkzeuge liegt darin, dass sie jahrzehntelanges therapeutisches und biologisches Wissen bündeln und daraus besonders wirksame Prinzipien ableiten können – und der Medizin damit den dringend benötigten zweiten Atem verschaffen.

Antibiotikaresistenz: eine weltweit wachsende Gesundheitsbedrohung

Jährlich sterben etwa 1,1 Millionen Menschen an Infektionen, die durch Bakterien verursacht werden, gegen die unsere Medikamente nicht mehr zuverlässig wirken. Bleibt eine Trendwende aus, könnte diese Zahl bis 2050 auf acht Millionen Todesfälle pro Jahr steigen – mehr als heute sämtliche Krebsarten zusammen verursachen.

In der Fachliteratur werden immer wieder zwei Erreger als besonders ernüchternde Beispiele für Antibiotikaresistenz genannt. Zum einen Neisseria gonorrhoeae, der Auslöser der Gonorrhoe, der mittlerweile gegen fast alle Antibiotika der ersten Behandlungslinie resistent ist. Zum anderen Staphylococcus aureus: ein weit verbreitetes Bakterium, das bei nahezu einem Drittel der Weltbevölkerung auf der Haut vorkommt, meist ohne Symptome. Bestimmte Stämme haben jedoch eine Resistenz gegen Methicillin entwickelt – ein Antibiotikum aus der Penicillin-Familie, das lange als Standardtherapie galt.

Diese Fälle sind letztlich nur exemplarisch. Im Hintergrund schlagen Dutzende weiterer Pathogene denselben Weg ein. Bei einigen Stämmen nimmt die Resistenz deutlich schneller zu, als wir sie eindämmen können – zumindest mit herkömmlichen pharmakologischen Ansätzen und der aktuellen Pharmakopöe, die inzwischen einer Rüstung gleicht, die an immer mehr Stellen von mikrobieller Anpassung durchbrochen wird.

Auch die Erneuerung unserer Behandlungsmöglichkeiten hält nicht mehr Schritt: Zwischen 2017 und 2022 erhielten lediglich zwölf neue Antibiotika eine Marktzulassung. Fast alle waren dabei nur Abwandlungen bereits bekannter Wirkstofffamilien, gegen die Bakterien teils schon zuvor wirksame Gegenmechanismen besassen.

Eine wirklich neuartige Molekülklasse zu entwickeln, verlangt mehr als ein Jahrzehnt klinischer Arbeit und Investitionen, zu denen die Pharmaindustrie immer seltener bereit ist. Der Grund ist strukturell: Ein wirksames Antibiotikum ist per Definition ein Medikament, das man aus Vorsicht eher sparsam einsetzt, um seine Wirksamkeit nicht zu schnell zu verlieren. Geringe Rendite, unklare therapeutische Lebensdauer, besonders strenge Regulierung und komplexe Studienbedingungen führen dazu, dass die Industrie das Problem in gewisser Weise aufgegeben hat, noch bevor die Wissenschaft es vollständig lösen konnte.

Superbakterien: ein weiteres Jagdrevier der KI

Am Massachusetts Institute of Technology kam Professor James Collins auf die Idee, die Ausgangslage umzudrehen: Wenn Bakterien schneller evolvieren, als wir Medikamente entwickeln und produzieren können, warum nicht die Suche nach neuen Antibiotika einem System überlassen, das in dieser Grössenordnung arbeiten kann?

Dafür wurde das Modell zunächst mit dem gesamten Wissensfundus gefüttert, den die Pharmakologie in einem Jahrhundert aufgebaut hatte: Strukturen bekannter Antibiotika, Wirkmechanismen, bakterielle Morphologie sowie Toxizitätsprofile. Ziel war, dem System beizubringen, welche geometrischen Merkmale einer Molekülstruktur auf antibakterielle Aktivität hindeuten.

Mit dieser Abstraktionsfähigkeit im Gepäck startete der Algorithmus eine Erkundung, die kein menschliches Team hätte leisten können: 45 Millionen chemische Strukturen wurden bewertet – nicht im Labor getestet, sondern per Inferenz. Statt sich durch Versuch und Irrtum zu arbeiten, berechnete das Modell in Sekunden die Erfolgschance jeder Struktur, indem es die Interaktion zwischen Molekül und Bakterien simulierte.

Über wiederholte Iterationen und durch gezielte Veränderungen an vielversprechenden Grundstrukturen erzeugte das System 36 Millionen neue Verbindungen. James Collins beschreibt den Vorteil so: „In wenigen Stunden oder wenigen Tagen können wir riesige Bibliotheken chemischer Verbindungen analysieren, um diejenigen zu identifizieren, die eine antibakterielle Aktivität zeigen.“

Unter den Verbindungen, die anschliessend tatsächlich synthetisiert und mit realen Bakterien konfrontiert wurden, zeigten laut den Ergebnissen zwei eine echte Wirksamkeit gegen resistente Stämme. Ihre Wirkmechanismen unterschieden sich dabei ausreichend von bestehenden Antibiotika, um zumindest vorübergehend die Abwehrstrategien zu umgehen, die Bakterien aufgebaut haben.

Auf den ersten Blick wirken zwei Treffer bei 36 Millionen Kandidaten wie eine extrem niedrige Erfolgsquote – tatsächlich ist es das Gegenteil. In Pharmakologie und Bioinformatik enden viele Wirkstoffprogramme nach jahrelanger Arbeit, ohne dass überhaupt ein Kandidat die präklinische Phase erreicht. Allein zwei glaubwürdige Kandidaten zu isolieren – auch wenn sie noch keine Marktzulassung besitzen – deutet darauf hin, dass wir bislang an eine technologische und kognitive Grenze gestossen sind: an die Grenzen unserer etablierten Suchmethoden. Auch wenn feststeht, dass KI das Antibiotikaresistenz-Problem nicht im Alleingang lösen wird, wird zugleich immer klarer: Ohne sie hätten wir kaum eine Alternative, als weiterhin viel zu langsam und tastend in der terra incognita zu suchen, in der sich die Antibiotika von morgen verbergen.