KI-Agent findet möglichen Antibiotika-Kandidaten, Labortest offen

Millionen Proteinsequenzen in der weltweit größten öffentlichen Proteindatenbank haben keine bekannte Funktion. Das Team von Google DeepMind hat sich in dieser Lücke umgesehen und einen Kandidaten zutage gefördert, der Atemwegsinfektionen bekämpfen könnte. Dieser Kandidat ist ein vorhergesagtes antimikrobielles Peptid, ein kurzes Protein, wie Bakterien es auf natürliche Weise herstellen, um ihre Rivalen abzutöten. Gefunden wurde es in Streptococcus pseudopneumoniae, einem Bakterium aus derselben Familie wie der Pneumokokkus.

Das Ausmaß der Resistenzen gibt den Ausschlag. Die Autoren schätzen, dass Antibiotikaresistenzen bis 2050 weltweit 10 Millionen Todesfälle pro Jahr verursachen könnten. Peptide sind attraktiv, weil sie sich nach Angaben der Autoren so entwickelt haben, dass sie grundlegende bakterielle Strukturen angreifen – von den Zellhüllen bis zur lebenswichtigen inneren Maschinerie –, was die Entstehung von Resistenzen erschwert. Einige sind bereits im Einsatz: Nisin, ein weltweit eingesetztes Bakteriozin, ist das bekannteste Beispiel. Neuere Entdeckungen aus dem Genome Mining, etwa Darobactin, Dynobactin und Lariocidin, zeigen, dass der Vorrat noch lange nicht erschöpft ist.

Das Hindernis ist die Information. Ein großer Teil der Sequenzdaten aus Genomprojekten wurde ohne jede Annotation in UniProt hinterlegt, der Referenzdatenbank für Proteinsequenzen und -funktionen. Die Autoren bezeichnen diese Einträge als „dunkle Materie“ der Proteindatenbanken. Ihr Werkzeug, ProtNLM (Protein Natural Language Model), ist ein Deep-Learning-Modell, das darauf trainiert wurde, die evolutionäre „Grammatik“ von Aminosäuresequenzen zu lesen und die Funktion eines Proteins direkt aus seiner Sequenz vorherzusagen, ohne einen nahen bekannten Verwandten zu benötigen. Google zufolge hat das Modell Millionen zuvor unbenannter UniProt-Einträge mit hochverlässlichen Funktionsangaben versehen.

Im vom Team beschriebenen Ablauf steuert der Wissenschaftler die Suche, während der Agent die datenbankübergreifende Arbeit erledigt. Der Agent ruft Strukturen aus der AlphaFold Database ab, und der Wissenschaftler untersucht sie in einem in Antigravity integrierten 3D-Viewer, wo das Markieren einer Proteinregion den Agenten dazu bringen kann, genau diese Stelle zu analysieren. Google bezeichnet den Kandidaten als „biologisch plausibel“ und durch strukturelle und genomische Belege gestützt, aber noch nicht bewiesen. Seine vorhergesagte Wirkung wurde im Labor noch nicht gemessen.

Für mikrobiologische Teams liegt die unmittelbare Veränderung am Anfang der Suche: weniger Wochen für den Datenbankvergleich und mehr geprüfte Kandidaten pro Sitzung. Für Patientinnen und Patienten ist der Nutzen noch fern, und der Weg ist lang. Die Autoren nennen keinen Termin für Laborergebnisse, und bisher hat kein Kandidat aus diesem Ablauf eine Wirkung gegen Bakterien gezeigt, geschweige denn beim Menschen. Der nächste öffentliche Meilenstein ist die Laborvalidierung dieses Peptids.