In den letzten Jahren haben Wissenschaftler wie César de la Fuente an der University of Pennsylvania künstliche Intelligenz (KI) eingesetzt, um neuartige antibakterielle Peptide zu entdecken. Dies ist angesichts der wachsenden Antibiotikaresistenz von zentraler Bedeutung: Schätzungen zufolge war die Zahl der mit multiresistenten Erregern assoziierten Todesfälle 2019 weltweit bereits auf etwa 5 Millionen angewachsen[1], und WHO-Prognosen warnen vor bis zu 10 Millionen Todesfällen pro Jahr bis 2050 ohne neue Wirkstoffe[2]. Traditionelle Pipelines für Antibiotika-Entwicklung sind langsam und teuer, weshalb Forscher zunehmend unkonventionelle Quellen anzapfen. De la Fuentes Labor nutzt KI-Algorithmen, um biologische „Dunkelziffer“ – Peptidsequenzen in Genomen und Proteomen – systematisch auszuwerten[3].
Methoden der
KI-gestützten Peptid-Entdeckung: Im Kern basieren die
Methoden auf Sequenzanalyse und maschinellem Lernen. De la Fuentes Gruppe
verwendet etwa das Deep-Learning-Modell APEX, das Aminosäuresequenzen in
Datenbanken scannt und vorhersagt, welche Fragmente antimikrobielle
Eigenschaften besitzen[4][3].
Typischerweise wird aus längeren Proteinen ein „sliding window“ aller
Teilsequenzen generiert (oft 8–50 Aminosäuren lang) und dann ein Modell auf
Basis bekannter antimikrobieller Peptide trainiert. Das Modell beurteilt dann
für jedes Kandidatenpeptid z.B. Ladung, Hydrophobizität und bekannte
Wirkmechanismen. Moderne Ansätze nutzen inzwischen große Sprachmodelle (LLMs)
für Proteinsequenzen. So wurde etwa ProteoGPT – ein
Transformer-basiertes LLM – vortrainiert und dann für die AMP-Generierung
(AMPGenix) und Klassifizierung (AMPSorter) adaptiert[5][6].
Generative Modelle (GANs, Diffusionsmodelle, LLM-Generatoren) können ganz neue
Peptidsequenzen aus dem Rauschen entwerfen, die anschließend nach
antimikrobieller Wirksamkeit gefiltert werden. Unabhängig vom Ansatz schließt
die Pipeline immer experimentelle Validierung ein: Vielversprechende Peptide
werden synthetisiert und zunächst in vitro (Mindesthemmkonzentrationstests) geprüft.
Die besten Kandidaten kommen in präklinische Tiermodelle (meist Mäuse) zur
Infektionsbehandlung. Durch diese kombinierte Computation-experimentelle
Vorgehensweise lassen sich Milliarden hypothetischer Peptide rasch eingrenzen
und nur ausgewählte „Treffer“ im Labor testen[7][8].
Die Arbeitsgruppe von César de la Fuente an der University of Pennsylvania entwickelt KI-Methoden zur Antibiotika-Entdeckung. Auf dem Bild (v.l.n.r.) Marcelo Torres, César de la Fuente und Sufen Li bei Laborversuchen im Jahr 2025. Sie suchen systematisch nach antimikrobiellen Peptiden etwa in menschlichen Proteomen, Organismengemeinschaften und sogar aus Aussterbungsdatensätzen[7][9].
Fallstudien:
KI-entdeckte Peptid-Antibiotika
- Menschliches Proteom (Torres et al. 2021): Mit KI wurde das gesamte menschliche Proteom nach versteckten
antimikrobiellen Fragmenten durchsucht[3][7]. Dabei identifizierte das Modell über 2.600 Kandidaten,
von denen 55 synthetisiert und im Reagenzglas getestet wurden. Die
Mehrheit dieser Peptide hemmte resistente Keime. Zwei ausgewählte Peptide
stoppten in Mausinfektionsmodellen das Wachstum von Erregern praktisch
vollständig[7]. Dies war die erste systematische Entdeckung von
Antibiotika-peptiden im menschlichen Körper (sogenannte „encrypted
peptides“ in ubiquitär vorkommenden Proteinen)[7][10].
- Archäenproteom (Torres/Wan et al. 2025):
Die Gruppe de la Fuente erweiterte das Suchgebiet auf das Reich der
Archaeen. In 233 archäalen Genomen wurden etwa 12.600 potenzielle
Peptide („archaeasins“) vorhergesagt[11]. Von diesen wurden 80 Stück synthetisiert; erstaunliche 93 %
erwiesen sich in vitro gegen verschiedene Pathogene (A. baumannii, E.
coli, K. pneumoniae, P. aeruginosa, S. aureus, Enterokokken) als wirksam[11]. Ein Leitkandidat, „archaeasin-73“, reduzierte in einem
Mausmodell die Bakterienzahl von A. baumannii signifikant – vergleichbar
mit der Wirkung des etablierten Antibiotikums Polymyxin B[12]. Diese Studie zeigt, dass auch der bislang wenig erforschte
archäale „antibiotic fingerprint“ vielversprechende Wirkstoffe enthält.
- Tiergifte/Venome (Guan et al. 2025):
Kreative Quellen für AMPs sind auch Tiergifte. In einer Publikation in Nature
Communications generierten die Forscher aus globalen Venom-Datenbanken
über 40 Millionen Peptidfragmente[13]. Ein Deep-Learning-Modell (ebenfalls APEX-basiert) filterte
daraus 386 neuartige Kandidaten heraus, charakterisiert durch hohe
positive Ladung und hydrophobe Aminosäureanteile – Merkmale, die
Membrandepolarisation begünstigen[13]. 58 dieser Venom-Peptide wurden synthetisiert. Im Labortest
töteten 53 davon multiresistente Stämme wie E. coli und Staph.
aureus bei Konzentrationen, die für menschliche Zellen ungefährlich
waren[14]. In einem Mausmodell mit Acinetobacter baumannii-Infektion
senkten zwei vielversprechende Peptide die Bakterienlast drastisch, ohne
erkennbare Toxizität[15]. Damit untermauerte die Studie, dass tierische Gifte ein
„Reservoir“ bisher unerforschter Antibiotikastoffe sind und dass
kombinierte KI- und Laborselektion neue Arzneistoffe beschleunigen kann[13][15].
- Molekulare De-Extinktion (Wan et al. 2024): Unter dem Begriff Molecular De-extinction wurden
proteomische Daten ausgestorbener Arten (Mammut, Riesenfaultier,
Urzeit-Elefanten u.a.) durchkämmt[16]. Insgesamt lieferten KI-Modelle gut 37.000 antimikrobiell
vorhergesagte Sequenzen (davon ~11.000 unbekannt in heutigen Organismen).
69 Peptide wurden synthetisiert und bestätigt, dass sie Bakterien abtöten[9]. Einige Namensgeber-Stoffe wie Mammuthusin-2 (aus dem
Wollhaarmammut), Elephasin-2 oder Hydrodamin-1 zeigten in
Mausinfektionen deutlich antibakterielle Wirkung[9]. Dieses Vorgehen – Erbeureste der Evolution als
Inspirationsquelle zu nutzen – ist bislang einmalig und erweitert die
chemische Vielfalt antibakterieller Verbindungen stark.
- Generative Modelle (Lu et al. 2025):
Moderne KI-Modelle ermöglichen das Design neuer Peptide. So wurde
mit einem trainierten LLM („ProteoGPT“ und den Spezialisierungen
AMPSorter/AMPGenix) eine große Bibliothek generativer Sequenzen aufgebaut[5]. Die daraus per In-silico-Filterung ausgewählten AMPs zeigten in
vitro starke Wirksamkeit gegen multiresistente Stämme (CRAB, MRSA) und
waren in vivo in Maus-Oberschenkelinfektionsmodellen klinischen
Antibiotika ebenbürtig oder überlegen[5][6]. Dabei beschädigten die getesteten Peptide weder Organe noch die
Darmflora. Wesentlich dabei ist, dass sie das Bakterienzellinnere
(Zytoplasmamembran) angreifen und so der Resistenzentwicklung
entgegenwirken[6]. Diese Studie demonstriert eindrucksvoll, wie KI nicht nur in
Datenbanken “stochert”, sondern gezielt neue Wirkstoffe entwerfen kann.
Herausforderungen
und Entwicklungsbarrieren
Trotz
dieser Erfolge steht die KI-Antibiotikaforschung vor großen Hürden. Klassische
Antibiotikawirkstoffe benötigen meist 10–15 Jahre und enorme Investitionen
(> 1 Milliarde US-$) bis zur Zulassung[17].
Nach WHO-Analysen schafft es nur etwa 1 von 15 Kandidaten bestehender
Klassen (und nur 1 von 30 völlig neuer Klassen) überhaupt zur Marktreife[17].
Die Entwicklungs‐ und Zulassungskosten sowie die oft geringe kommerzielle
Rentabilität haben etliche Firmen in der Vergangenheit in die Insolvenz
getrieben[18].
Demgegenüber birgt die Entwicklung von Peptid-Wirkstoffen zusätzliche
technische Herausforderungen: Peptide werden im Körper schnell abgebaut und aus
dem Blutkreislauf ausgeschieden[19].
Oft sind deshalb Injektionen nötig und spezielle Formulierungen (z.B. chemische
Modifikationen, Kapselung) nötig, um Halbwertszeit und Stabilität zu
verbessern. Auch mögliche Immunreaktionen auf fremde Peptide müssen geprüft
werden, obwohl viele AMP-Kandidaten bereits eine niedrige Toxizität aufweisen
(ein Vorteil von Peptiden gegenüber Biologika).
Kommerzielle und regulatorische Hindernisse sind ebenfalls
beträchtlich: Die Antibiotika‐Pipeline gilt als „fragil“[20].
Große Pharmakonzerne hatten lange ein Desinteresse an traditionellen
Antibiotika wegen des geringen RoI. Erst jüngste Förderprogramme (z.B. CARB-X,
AMR-Fonds) bieten neue Anreize. Ethische Fragen betreffen vor allem die Nutzung
genetischer Ressourcen: So müssen etwa bei der Auswertung von Organismen-Daten
rechtliche Vorgaben zur Biopiraterie (Nagoya-Protokoll) beachtet werden. Beim
Thema „molekulare De-Extinktion“ sind bislang kaum ethische Bedenken bekannt,
da keine echten Gene wiederbelebt, sondern nur Sequenzen analysiert werden.
Insgesamt betont die WHO jedoch die Notwendigkeit gemeinsamer Investitionen in
Forschung und Entwicklung, um die Pipeline zu erweitern[21].
Ohne solche Anreize bleibt viele KI-Entdeckung reine Grundlagenforschung, bevor
ein marktfähiges Medikament entsteht.
Ausblick:
Fortschritte und offene Fragen
Die
bisherigen Studien zeigen, dass KI-Modelle enorme Datenräume „aufschließen“
können, die menschlichen Forschern verborgen bleiben. De la Fuentes Team
arbeitet etwa an einem multimodalen Modell namens APEX Oracle, das
Genom- und Chemiedaten konvergiert, um Pathogenschwächen zu erkennen und
gezielt passende Peptide zu empfehlen. Solche Systeme sollen künftig das
Wet-Lab effizienter leiten – etwa indem KI die optimale Dosierung oder
Kombination verschiedener Peptide vorschlägt. Ein weiteres aktuelles Ziel ist
die Erweiterung der Peptidbibliothek und das Training spezialisierter LLMs (z.B.
unter Verwendung aller verfügbaren Genomdaten).
Dennoch ist der Weg zur klinischen Anwendung lang. Zukünftige Forschung
muss z.B. klären, wie resistenzhemmende Eigenschaften von AMPs erhalten bleiben
können, ob Kombinationstherapien nötig sind und wie Lieferformen (Tablette,
Pflaster, Nanopartikel) aussehen. Auch Fragen der Sicherheit und Toxizität
müssen an menschlichen Zellen und in Tierversuchen gründlich untersucht werden.
Schließlich fehlen oft klare wirtschaftliche Perspektiven: Es bleibt zu klären,
wie Peptidmedikamente skalierbar und bezahlbar gemacht werden können.
Insgesamt aber eröffnen diese KI-Ansätze neue Blickwinkel:
Antimikrobielle Peptide wurden nun in überraschenden Lebensbereichen gefunden –
vom menschlichen Körper bis zu ausgestorbenen Tieren – und übertreffen vielfach
inaktivierte Vorläuferstrukturen. Wie der Biologe Jonathan Stokes bemerkt:
„Antibiotika sind buchstäblich überall versteckt“[22]. KI
verschafft uns erstmals einen Zugang zu dieser Vielfalt. Mit zunehmender Reife
der Modelle und weiterer Validierung in Tiermodellen steigt die Chance, dass in
den nächsten Jahren tatsächlich neuartige Peptid-Antibiotika in klinische Tests
kommen. Bis dahin bleiben jedoch umfangreiche experimentelle Arbeit und
interdisziplinäre Kooperation unerlässlich.
Quellen: Die obigen Ergebnisse basieren auf
aktuellen Forschungsarbeiten und Übersichten, u. a. von de la Fuente et al.
selbst[9][11]
sowie Fachartikeln und Berichten über KI-gestützte Peptidantibiotika[7][13][5][19][17].
Alle Zitate erfolgen aus den verknüpften Originalquellen.
[1] About Antimicrobial Resistance | Antimicrobial Resistance | CDC
https://www.cdc.gov/antimicrobial-resistance/about/index.html
[2] [7]
[10]
[22]
An AI Finds Superbug-Killing Potential in Human Proteins | WIRED
https://www.wired.com/story/an-ai-finds-superbug-killing-potential-in-human-proteins/
[3] [8]
Tutorial: guidelines for the use of machine learning methods to mine genomes
and proteomes for antibiotic discovery | Nature Protocols
[4] [13]
[15]
Computational exploration of global venoms for antimicrobial discovery with
Venomics artificial intelligence | Nature Communications
[5] [6]
A generative artificial intelligence approach for the discovery of
antimicrobial peptides against multidrug-resistant bacteria | Nature
Microbiology
[9] [16]
Deep-learning-enabled antibiotic discovery through molecular de-extinction |
Nature Biomedical Engineering
[11] [12]
Deep learning reveals antibiotics in the archaeal proteome | Nature
Microbiology
[14] AI finds hundreds of potential antibiotics in snake and spider venom |
Penn Medicine
[17] [18]
[20]
[21] Lack of innovation set to undermine
antibiotic performance and health gains
[19] Advance in peptide-based drug development: delivery platforms,
therapeutics and vaccines | Signal Transduction and Targeted Therapy
Keine Kommentare:
Kommentar veröffentlichen