想象一下你是一名化石猎人。 你在亚利桑那州炎热的天气里花了几个月的时间挖掘骨头，结果发现你发现的东西来自以前发现的。
这就是最近对抗生素的研究取得的成果。 抗生素猎人相对较少不断寻找相同类型的抗生素。
随着许多病原体耐药性的迅速上升，迫切需要新的抗生素。 这可能只是时间问题伤口或抓伤会危及生命。
然而，最近很少有新的抗生素进入市场，甚至这些也只是旧抗生素的微小变体。
虽然前景看起来暗淡，但最近的革命（人工智能）带来了新的希望。 麻省理工学院和哈佛大学的科学家在 2 月 20 日发表在《细胞》杂志上的一项研究中使用一种称为深度学习的人工智能来发现新的抗生素。
从土壤或植物提取物中发现抗生素的传统方法尚未发现新的候选药物，而且有很多社会和经济障碍也解决这个问题。
一些科学家最近试图通过在细菌 DNA 中寻找新的来解决这个问题。产生抗生素的基因。 其他人则在异国他乡寻找抗生素，例如在我们的鼻子里。
通过这种非常规方法发现的药物进入市场的道路崎岖不平。 在培养皿中有效的药物可能在体内效果不佳。
它们可能不会被很好地吸收或可能有副作用。 大量生产这些药物也是一个重大挑战。
深度学习
进入深度学习。 这些算法为当今许多面部识别系统和自动驾驶汽车提供动力。 它们通过学习数据模式来模仿我们大脑中神经元的运作方式。
单个人工神经元（例如微型传感器）可能会检测线条或圆圈等简单图案。 通过使用数千个人工神经元，深度学习人工智能可以执行极其复杂的任务，例如识别视频中的猫或检测肿瘤中的肿瘤。活检图像。
考虑到它的力量和成功，寻找新药的研究人员正在拥抱深度学习人工智能，这可能并不奇怪。 然而，建立一种发现新药的人工智能方法并不是一件容易的事。 这在很大程度上是因为人工智能领域没有免费的午餐。
这没有免费午餐定理指出不存在普遍优越的算法。 这意味着，如果一种算法在一项任务（例如面部识别）中表现出色，那么它在另一项任务（例如药物发现）中就会严重失败。 因此，研究人员不能简单地使用现成的深度学习人工智能。
哈佛-麻省理工学院团队使用一种称为图神经网络的新型深度学习人工智能来进行药物发现。 早在 2010 年的人工智能石器时代，药物发现的人工智能模型就是使用化学品的文本描述构建的。 这就像用“黑眼睛”和“长鼻子”等词来描述一个人的脸一样。
这些文本描述符很有用，但显然并不能描绘出整个画面。 哈佛-麻省理工学院团队使用的人工智能方法将化学物质描述为原子网络，这使得算法比文本描述能够提供更完整的化学物质图像。
人类知识和人工智能白板
然而，仅靠深度学习不足以发现新的抗生素。 它需要与感染的深入生物学知识相结合。
哈佛-麻省理工学院团队用有效和无效药物的例子精心训练了人工智能算法。 此外，他们还使用已知对人类安全的药物来训练人工智能。
然后，他们使用人工智能算法从数百万种化学物质中识别出潜在安全且有效的抗生素。
与人类不同，人工智能没有先入为主的观念，尤其是关于抗生素应该是什么样子的观念。 我的实验室最近使用老式人工智能发现了一些治疗结核病的令人惊讶的候选者，包括抗精神病药物。
在哈佛-麻省理工学院团队的研究中，他们发现了新候选人的金矿。 这些候选药物看起来与现有的抗生素完全不同。 一个有希望的候选者是 Halicin，一种正在探索用于治疗的药物。
令人惊讶的是，Halicin 不仅能有效对抗大肠杆菌，人工智能算法所训练的细菌，但也包括更致命的病原体，包括那些导致结核病和结肠炎症的病原体。
值得注意的是，Halicin 能够有效对抗耐药性鲍曼不动杆菌。 这种细菌位居最致命病原体名单之首由疾病预防控制中心编制。
不幸的是，Halicin 的广泛效力表明它也可能破坏我们体内的无害细菌。 它也可能具有代谢副作用，因为它最初被设计为抗糖尿病药物。 鉴于对新抗生素的迫切需求，这些可能只是拯救生命的微小牺牲。
保持进化领先地位
鉴于 Halicin 的前景，我们是否应该停止寻找新的抗生素？
Halicin 可能会清除所有障碍并最终进入市场。 但它仍然需要克服一个无情的敌人，这是耐药性危机的主要原因：进化。
在过去的一个世纪里，人类向病原体投掷了大量药物。 然而病原体总是进化出抵抗力。 因此，我们可能很快就会遇到 Halicin 抗药性感染。
尽管如此，借助深度学习人工智能的力量，我们现在可能更适合使用新抗生素快速做出反应。
使用人工智能发现的潜在抗生素进入临床还面临着许多挑战。 这些药物的测试条件与人体内的条件不同。
我的实验室和其他人正在构建新的人工智能工具模拟人体内部环境评估抗生素的效力。 人工智能模型现在还可以预测药物的毒性和副作用。
这些人工智能技术的结合可能很快就会让我们在这场永无休止的抗击耐药性的斗争中占据一席之地。
[你很聪明，对世界充满好奇。 《对话》的作者和编辑也是如此。 您可以通过订阅我们的新闻通讯每天阅读我们的内容.]
斯里拉姆钱德拉塞卡兰，生物医学工程助理教授，密歇根大学。
