Biologen zoeken met AI-agents naar nieuwe antibiotica en vinden een eerste kandidaat

Antibiotica verliezen hun kracht: steeds meer bacteriën zijn er niet meer gevoelig voor. Daarom zoeken onderzoekers naar middelen die op een andere manier werken. Een veelbelovende hoek zijn de wapens die bacteriën zelf tegen elkaar gebruiken. Het zijn kleine eiwitten, antimicrobiële peptiden genoemd, die een concurrent uitschakelen. Ze mikken op kwetsbare plekken die een bacterie niet zomaar kan veranderen, zoals de bouw van haar celwand. Daardoor is het voor ziekteverwekkers moeilijker om er ongevoelig voor te worden.

Google heeft nu samen met AI-agents gezocht naar zo'n eiwit, en een eerste kandidaat gevonden. Het team beschrijft hoe dat ging.

Miljoenen eiwitten zonder naam

Jaren van DNA-onderzoek hebben miljarden eiwitten in kaart gebracht, maar van een groot deel weet niemand wat het doet. Alleen al in UniProt, de openbare databank waarin onderzoekers wereldwijd eiwitten bijhouden, staan miljoenen van die naamloze eiwitten. Daartussen kan het middel van de toekomst zitten, maar met de hand kijken is geen optie.

Google bouwde daarom ProtNLM, een model dat aan de bouwstenen van een eiwit kan afleiden wat het in een cel doet. Dat model heeft miljoenen naamloze eiwitten in de databank alvast een naam en een vermoedelijke functie gegeven. Zo ontstaat een lijst om in te zoeken.

Haast is er wel. Een veelgenoemde schatting komt uit op 10 miljoen doden per jaar door resistente bacteriën in 2050. Een recentere studie in het tijdschrift The Lancet houdt het voor dat jaar op bijna 2 miljoen doden die direct door resistentie komen, en ruim 8 miljoen waarbij resistentie meespeelt.

Hoe de zoektocht ging

De onderzoeker bepaalde het doel: een nieuw bacteriedodend eiwit vinden bij Streptococcus pseudopneumoniae, een bacterie die in de luchtwegen leeft. De AI-agent deed het uitzoekwerk dat daarbij komt kijken, in Antigravity, een ontwikkelplatform met AI-agents dat hier dienst doet als werkbank voor onderzoek.

De agent zeefde miljoenen eiwitten terug tot een korte lijst, en daar bleef één kandidaat over: een klein eiwit van 97 bouwstenen. Daarna volgden drie controles.

Is het echt nieuw? De agent vergeleek het eiwit met het deel van de databank dat door mensen is nagekeken, en vond geen naast familielid. Klopt de vorm? Het 3D-model van het eiwit lijkt sterk op dat van een bacteriedoder waarvan de vorm in het lab is gemeten. Wat zijn de buren? Het gen ligt direct naast genen voor de machinerie die zo'n eiwit de cel uit duwt, en naast een ander bekend bacteriedodend eiwit. Volgens Google is dat samen een sterke aanwijzing dat het eiwit echt zo werkt.

Tot slot stelde de agent voor hoe het eiwit bacteriën zou aanpakken, namelijk door hun celdeling te verstoren, en tegen welke ziekteverwekkers het zou kunnen werken, waaronder bacteriën die luchtweginfecties veroorzaken. De agent schreef er een proefplan bij: het eiwit namaken, het op bacteriën uitproberen, nagaan of het inderdaad op de bedoelde plek aangrijpt en kijken of het geen schade doet aan menselijke cellen. Die proeven lopen nu, voor deze kandidaat en voor een paar andere uit dezelfde zoektocht.

Samen naar hetzelfde model kijken

Antigravity heeft er een 3D-venster bij gekregen waarin onderzoeker en agent naar hetzelfde eiwitmodel kijken. De agent kan er een model in laden en belangrijke plekken oplichten. Als de onderzoeker het model draait, er een aantekening bij zet of een plek markeert, ziet de agent dat ook. Een vraag als "wat gebeurt hier?" gaat zo over het stuk eiwit dat op dat moment in beeld is, zonder dat het eerst in woorden hoeft te worden uitgelegd.

Volgens Google past werk dat normaal dagen kost, verspreid over losse databanken en programma's, hiermee in één sessie. Hoeveel tijd dat precies scheelt, is nog niet gemeten.

Wat betekent dit voor de weg naar de singulariteit?

Dit is een voorbeeld van AI die niet alleen vragen beantwoordt, maar een deel van het onderzoekswerk zelf doet, terwijl de mens de richting bepaalt. Let wel op wat er sneller wordt: het speuren en combineren, niet het bewijs. Of dit eiwit bacteriën doodt, moet de proefbank uitwijzen.

Juist daar zit de winst. Labtijd is duur en schaars, dus elke kandidaat die vooraf beter is uitgezocht, levert meer op. Werkt deze manier van werken ook bij andere bacteriën, dan wordt de weg van vermoeden naar kandidaat korter, en kan de rest van UniProt worden afgezocht. De komende labresultaten laten zien hoe goed de voorspellingen zijn.