Eine neue Methode kombiniert synthetische Biologie mit künstlicher Intelligenz. Die steigende Resistenz von Bakterien gegen Antibiotika stellt ein eskalierendes globales Gesundheitsrisiko dar. Forscher am Max-Planck-Institut für terrestrische Mikrobiologie in Marburg, Deutschland, haben jetzt synthetische Biologie und künstliche Intelligenz (KI) kombiniert, um einen effizienteren Ansatz zur Entdeckung und Entwicklung neuer antimikrobieller Peptide zu entwickeln, die gegen eine Vielzahl von Bakterien wirksam sind.
Bioaktive Peptide spielen eine wichtige Rolle in Gesundheit und Medizin. Mehr als 80 auf Peptiden basierende Medikamente werden derzeit verwendet, die alle aus natürlichen Quellen isoliert sind. Antibiotikaresistenzen werden geschätzt, weltweit jedes Jahr mehr als eine Million Todesfälle zu verursachen. Diese Zahl wird bis 2050 auf zehn Millionen steigen, was einen dringenden Bedarf an neuen Methoden zur Beschleunigung der Entwicklung neuer Antimikrobiotika schafft. Ein unerschlossenes Potenzial liegt im nicht-natürlichen Raum, in dem eine geschätzte Anzahl von 2010 bis 2030 verschiedenen Peptiden noch unerforscht ist.
In Zusammenarbeit mit mehreren Labors am Max-Planck-Institut für terrestrische Mikrobiologie, der Universität Marburg, dem Max-Planck-Institut für Biophysik, dem Bundeswehr-Institut für Mikrobiologie, dem iLung-Institut und INRAe Frankreich hat ein Team von Wissenschaftlern am Max-Planck-Institut unter der Leitung von Tobias Erb einen neuen Prototyp für die Entwicklung bioaktiver Peptide etabliert. Die Forschungsgruppe hat einen zellfreien Proteinsynthese-Prozess für die schnelle und kostengünstige Produktion von antimikrobiellen Peptiden direkt aus DNA-Vorlagen entwickelt.
Das neue Protokoll bietet eine schnelle, kostengünstige und hochdurchsatzfähige Methode für das Screening von antimikrobiellen Peptiden. Das Team verwendete zunächst generatives Deep Learning, um tausende von antimikrobiellen Peptiden de novo zu entwerfen, und dann prädiktives Deep Learning, um sie auf 500 Kandidaten einzugrenzen. Unter diesen identifizierte das Screening mit dem zellfreien Prototyp 30 funktionelle Peptide, die die Forscher weiter durch Molekulardynamiksimulationen, antimikrobielle Aktivität und Toxizität charakterisierten.
Besonders bemerkenswert war, dass sechs der de novo Peptide eine breitspektrige Aktivität gegen multiresistente Pathogene zeigten und keine bakterielle Resistenz entwickelten. Die nächsten Schritte umfassen eine weitere Verbesserung des Peptidproduktionsausstoßes sowie die Anwendung von KI- und synthetischen Biologieansätzen zur Entwicklung neuer antimikrobieller Peptide, die stabiler, weniger toxisch oder über einen spezifischen Wirkungsmechanismus verfügen. Die Forscher planen auch, erweiterte tiefe generative Modelle einzusetzen, bei denen die Maschine Moleküldarstellungen für gewünschte Eigenschaften erlernt, was die Erfolgsrate bei der Identifizierung aktiver Kandidaten verbessern würde.
