抗生素耐药性是人类健康面临的最大的全球威胁之一。它直接导致了据估计2019年有127万人死亡，并促成了近五百万例死亡。这个问题在新冠疫情期间变得更加严重。并且几十年来没有开发出新的抗生素类别。
现在研究人员报告说，他们已经使用人工智能发现了一类新的抗生素候选物。麻省理工学院-哈佛大学博德研究所詹姆斯·柯林斯实验室的一个团队使用了一种名为深度学习的人工智能，筛选了数百万种化合物的抗生素活性。然后，他们在小鼠身上测试了283种有前景的化合物，发现了几种对耐甲氧西林金黄色葡萄球菌（MRSA）和耐万古霉素肠球菌有效的化合物——其中一些是最顽固、最难杀灭的病原体。与典型的作为神秘“黑匣子”运行的人工智能模型不同，有可能追溯该模型的推理并理解其背后的生物化学原理。
这项发展建立在该小组之前的研究和其他研究的基础上，包括塞萨尔·德拉富恩特（César de la Fuente）的工作，他是宾夕法尼亚大学佩雷尔曼医学院精神病学系的助理教授，以及他的同事。大众科学与德拉富恩特谈论了这项新研究对于使用人工智能帮助指导新型抗生素开发的意义。
关于支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
[以下是采访的编辑稿。]
使用人工智能发现新型抗生素的这一发现有多重要？
我对柯林斯实验室的这项新工作感到非常兴奋——我认为这是下一个伟大的突破。这是一个直到五年前甚至还不是一个研究领域的领域。这是一个非常令人兴奋且新兴的工作领域，其主要目标是使用人工智能进行抗生素发现和抗生素设计。我自己的实验室在过去五年里一直致力于此。在这项研究中，研究人员使用深度学习来尝试发现一种新型抗生素。他们还实施了“可解释人工智能”的概念，这很有趣，因为当我们想到机器学习和深度学习时，我们认为它们是黑匣子。因此，我认为开始将可解释性纳入我们正在构建的一些将人工智能应用于生物学和化学的模型中是很有趣的。作者们能够找到几种似乎可以减少小鼠模型感染的化合物，所以这总是令人兴奋的。
在筛选和识别新型抗生素化合物方面，人工智能比人类有什么优势？
人工智能和机器通常可以系统且非常快速地挖掘您给它们的结构或任何类型的数据集。如果您考虑传统的抗生素发现流程，发现一种新型抗生素大约需要12年，而发现任何临床候选药物需要三到六年。然后您必须将它们过渡到I期、II期和III期临床试验。现在，借助机器，我们已经能够加速这一过程。例如，在我和我同事自己的工作中，我们可以在几个小时内发现成千上万或数十万种临床前候选药物，而不必等待三到六年。我认为人工智能总体上促成了这一点。我认为另一个例子是柯林斯实验室的这项工作——在这种情况下，通过使用深度学习，该团队已经能够筛选数百万种化合物，以识别出几种看起来有希望的化合物。这对于手动操作来说将非常困难。
将这种新型抗生素转化为临床药物还需要哪些后续步骤？
那里仍然存在差距。您将需要系统的毒性研究，然后是pre-IND [研究性新药] 研究。美国食品和药物管理局要求您进行这些研究，以评估您潜在的令人兴奋的药物是否可以过渡到I期临床试验，这是任何临床试验的第一阶段。因此，这些不同的步骤仍然需要进行。但我再次认为，这是在这个真正新兴的微生物学和抗生素领域中使用人工智能的另一个非常令人兴奋的进展。我们梦想着希望有一天人工智能能够创造出可以拯救生命的抗生素。
这项新研究中发现的化合物在小鼠体内有效地杀死了MRSA等微生物，对吗？
是的，他们表明在两种小鼠模型中都有效，这很有趣。每当您有小鼠感染数据时，这总是更令人兴奋的——这表明这些化合物实际上能够在真实的小鼠模型中减少感染。
作为使用人工智能的另一个例子，我们最近在我的实验室挖掘了已灭绝生物的基因组和蛋白质组，并且我们能够识别出许多临床抗生素候选物。
人工智能模型“可解释”为什么重要？
我认为，如果我们有一天将人工智能视为一门工程学科，那么这一点很重要。在工程学中，您始终能够拆解构成某种结构的不同部分，并且您了解每个部分在做什么。但在人工智能的情况下，特别是深度学习，因为它是一个黑匣子，我们不知道中间发生了什么。为了给我们化合物X或Y或解决方案X或Y，很难重现发生了什么。因此，开始深入研究黑匣子，看看每个步骤中实际发生了什么是我们能够将人工智能转变为工程学科的关键一步。朝着正确方向迈出的第一步是使用可解释的人工智能，以便尝试理解机器实际在做什么。它变得不再是一个黑匣子——也许是一个灰匣子。