Das amerikanische Labor Radical Numerics gab bekannt, dass Viren, die von seinem KI-Modell entwickelt wurden, einem echten Patienten mit einer bakteriellen Infektion verabreicht wurden, gegen die Antibiotika nicht wirkten. Das beschrieb das Unternehmen am 20. Oktober in einem technischen Beitrag auf seiner Website. Nach Angaben des Unternehmens handelt es sich um den ersten Fall, bei dem ein Medikament dieser Art den Weg vom Computer bis zum Menschen geschafft hat. Unter Verweis auf den Schutz der Privatsphäre veröffentlichte das Labor weder den Namen des Patienten noch seine Diagnose oder das Behandlungsergebnis. Zudem wurden die Ergebnisse bislang nicht von anderen Wissenschaftlern in einer Fachzeitschrift begutachtet, sodass eine unabhängige Überprüfung noch aussteht.
Der Grund, nach einer solchen Lösung zu suchen, ist bekannt. Bakterien wehren sich, mutieren und tauschen Resistenzgene aus, sodass Medikamente, die früher wirkten, heute versagen. Im Jahr 2021 standen weltweit rund 4,7 Millionen Todesfälle mit Antibiotikaresistenzen in Zusammenhang. Die Schätzungen, auf die sich Radical Numerics stützt, gehen davon aus, dass resistente Bakterien zwischen 2025 und 2050 fast vierzig Millionen Todesopfer fordern werden.
Eine der möglichen Antworten existiert in der Natur bereits seit Milliarden Jahren und heißt Bakteriophage, kurz Phage. Dieses Virus greift Bakterien an und schädigt menschliche Zellen nicht. Es heftet sich an die Oberfläche eines Bakteriums, injiziert seine Erbinformation, vermehrt sich in dessen Innerem und bringt die Zelle zum Platzen. Anders als Antibiotika, die auch nützliche Darmbakterien vernichten, geht ein Phage äußerst gezielt vor. Das ist zugleich seine Stärke und seine Schwäche.
Das bisherige Verfahren ist nämlich aufwendig. Ärzte entnehmen dem Patienten eine Probe des Bakteriums und testen dann im Labor Phagensammlungen einzeln darauf, ob eine davon gegen diesen konkreten Stamm wirkt. Wird keine gefunden, sucht man in der Natur, in Abwässern oder im Boden. Bei einem Menschen, dem die Behandlungsoptionen ausgehen, können Wochen über Leben und Tod entscheiden. Radical Numerics trainierte deshalb ein Modell namens Omnii-1, das zunächst anhand einer breiten Mischung genetischer Daten und anschließend speziell anhand von Phagengenomen lernte, Genome zu lesen. Die Idee ist einfach, denn statt nach einem geeigneten Virus zu suchen, lässt es sich direkt entwerfen.
Wie KI das Genom verändert
Das Modell konstruiert nicht das gesamte Virus von Grund auf neu. Es nimmt einen existierenden Phagen und schreibt nur einen ausgewählten Abschnitt seiner Erbinformation um, der darüber entscheidet, an welches Bakterium sich das Virus anheften kann. Die Wissenschaftler arbeiteten mit dem Phagen T7, einem gut erforschten Virus, das das Darmbakterium E. coli angreift. Sein Genom umfasst rund vierzigtausend Buchstaben und ist damit mehr als siebenmal so groß wie das des Virus, mit dem zuvor ein ähnlicher Versuch durchgeführt wurde. Omnii-1 schrieb das Gen für ein Protein am Fortsatz des Virus um, mit dem sich der Phage am Bakterium festhält, und berücksichtigte dabei den umgebenden Genomkontext, damit der Rest des Organismus funktionsfähig blieb.
Die Ergebnisse wirken überzeugend. Als das Team elf bis fünfzehn Veränderungen in die entworfenen Proteine einbrachte, wurden fast siebzig Prozent der entworfenen Varianten lebensfähig und vermehrten sich, während es bei den zufällig veränderten Kontrollen weniger als fünf Prozent waren. Von 6 694 Varianten mit gemessener Wirkung auf das Bakterium waren 2 161 stärker als das ursprüngliche natürliche Virus, darunter auch solche, die sich an achtundzwanzig Stellen vom Original unterschieden. Die zufälligen Kontrollen übertrafen den natürlichen Phagen höchstens bei fünf Veränderungen.
Das Modell kann zudem im Voraus die Varianten priorisieren, deren Test sich überhaupt lohnt. Bei zwei Bakterienstämmen erzielte es unter den hundert am besten bewerteten Entwürfen 97 beziehungsweise 96 erfolgreiche Treffer. Beim dritten und schwierigsten Stamm, bei dem nur 4,5 Prozent der gesamten Bibliothek funktionierten, waren 24 Prozent seiner hundert Favoriten wirksam, also fünfmal so viele.
Die zweite Fähigkeit ist für eine maßgeschneiderte Behandlung ebenso wichtig. Omnii-1 lernte anhand öffentlicher Daten darüber, welche Phagen welche Bakterien angreifen, und sagte anschließend das Ergebnis für Stämme voraus, die beim Training ausgelassen worden waren. Als die Wissenschaftler ihm absichtlich einen ganzen Verwandtschaftszweig aus siebenunddreißig E.-coli-Stämmen vorenthielten, konnte es bei mehr als neunzig Prozent von ihnen unter den ersten beiden Empfehlungen einen wirksamen Phagen finden. Anschließend testete das Team dies am Bakterium Pseudomonas aeruginosa, das Patienten mit Verbrennungen, nicht heilenden Wunden und Mukoviszidose Probleme bereitet. Dazu gibt es deutlich weniger Daten, rund 7 300 gemessene Paare gegenüber 32 700 bei E. coli. Es zeigte sich, dass sich die Vorhersagen des Modells für Pseudomonas verbessern, wenn es beim Training zusätzlich Daten zu E. coli erhält, ohne dass auch nur eine einzige neue Messung zu Pseudomonas hinzukommt. Für weniger erforschte Bakterien ist das eine gute Nachricht.
Vom Bildschirm in die Vene
Beim Patienten verlief der Prozess folgendermaßen. Aus der Infektion wurde ein Bakterienstamm isoliert, für den ein Cocktail mit vom Modell entworfenen Phagenvarianten zusammengestellt wurde. Zunächst wurde überprüft, ob er das Bakterium im Reagenzglas tatsächlich abtötet. Erst danach erhielt der Patient das Präparat im Rahmen eines sogenannten Härtefallprogramms. Dieses Verfahren ermöglicht es Patienten mit einer schweren Erkrankung und ohne andere Optionen, unter ärztlicher Aufsicht und mit behördlicher Genehmigung eine bislang nicht zugelassene Behandlung zu erhalten.
Das Unternehmen sucht nun Krankenhäuser, Phagenzentren und Ärzte, die ihm Bakterienproben ihrer Patienten schicken. Ziel ist es, Dosen herzustellen, die individuell für einen konkreten Menschen und dessen konkrete Infektion zusammengestellt werden, und so die Entwicklung der Behandlung von einer monatelangen Suche auf wenige Tage Modellarbeit und Überprüfung im Reagenzglas zu verkürzen.
Radical Numerics wurde in diesem Jahr gegründet. Dahinter stehen Menschen, die zuvor am Arc Institute am Modell Evo gearbeitet hatten, also an jenem Projekt, mit dessen Hilfe vor einiger Zeit das erste vollständige, von einem Computer entworfene Virusgenom entstand. Im Juni trat das Unternehmen mit einer ersten, vom Fonds Emergence Capital angeführten Finanzierungsrunde über fünfzig Millionen Dollar aus dem Verborgenen. Geschäftsführer ist Eric Nguyen, ein Stanford-Absolvent mit Schwerpunkt Bioingenieurwesen und künstliche Intelligenz.
Quellen: radicalnumerics.ai, futurism.com und independent.co.uk
