Jak sami osłabiliśmy nasze najpotężniejsze narzędzie medyczne
Szpitale coraz częściej odnotowują przypadki zakażeń, w których standardowe leki po prostu przestają działać. Lekarze pracują na granicy wytrzymałości, a naukowcy gorączkowo szukają wyjścia z tej sytuacji. Nadzieje wielu skupiają się teraz na sztucznej inteligencji, która ma pomóc w odkryciu nowych substancji czynnych i zahamowaniu rosnącej oporności na antybiotyki.
Jak sami podkopaliśmy nasze najmocniejsze oręże medyczne
Odkrycie działania penicyliny pod koniec lat dwudziestych XX wieku zapoczątkowało prawdziwą rewolucję w medycynie. Nagle możliwe stało się leczenie zapalenia płuc, sepsy czy zakażeń ran, które wcześniej często kończyły się śmiercią. Przez dziesięciolecia antybiotyki uważano za niemal doskonałą broń.
Właśnie ten sukces doprowadził do poważnego problemu. Antybiotyki były w wielu krajach przepisywane zdecydowanie zbyt chętnie – przy infekcjach wirusowych, zwykłym przeziębieniu, w hodowli zwierząt, a niekiedy nawet profilaktycznie. Bakterie, które przypadkowo przeżywały kontakt z lekiem, mogły się namnażać i przekazywać swoje mechanizmy obronne kolejnym pokoleniom.
W wyniku tej selekcji przez wiele generacji stopniowo pojawiły się tzw. superbakterie – szczepy odporne jednocześnie na kilka klas substancji czynnych. Takie drobnoustroje nie ograniczają się już tylko do szpitali. Znajdziemy je w domach opieki, w rolnictwie i w środowisku naturalnym.
Oporność na antybiotyki rozwija się znacznie szybciej, niż nowe leki trafiają na rynek – i to wyścig, który zaczynamy wyraźnie przegrywać.
Oporność na antybiotyki: miliony ofiar i niepokojące prognozy na 2050 rok
Aktualne szacunki wskazują, że na całym świecie około 1,1 miliona ludzi rocznie umiera bezpośrednio z powodu zakażeń, wobec których powszechnie stosowane antybiotyki są niemal bezsilne. Gdy uwzględnimy pośrednie konsekwencje, liczba ta jest jeszcze znacznie wyższa.
Badania ostrzegają, że jeśli nic się zasadniczo nie zmieni, do 2050 roku liczba zgonów może wzrosnąć nawet do ośmiu milionów rocznie. Oznaczałoby to, że oporne zakażenia pochłaniałyby więcej istnień ludzkich niż wszystkie nowotwory razem wzięte.
Szczególną uwagę przykuwają niektóre dobrze znane bakterie problemowe:
- Neisseria gonorrhoeae: patogen wywołujący rzeżączkę, który stał się niewrażliwy na wiele standardowych antybiotyków.
- Staphylococcus aureus (MRSA): często obecny na skórze, niegroźny u zdrowych osób, jednak niektóre szczepy są oporne na kluczowe leki i wywołują poważne zakażenia ran lub krwi.
To tylko wierzchołek góry lodowej. Za tymi nazwami kryją się dziesiątki innych patogenów, które stopniowo wymykają się spod kontroli dostępnych nam leków.
Dlaczego klasyczne badania naukowe już nie wystarczą
Opracowywanie nowych antybiotyków od lat niemal stoi w miejscu. W latach 2017–2022 na całym świecie zatwierdzono zaledwie dwanaście nowych substancji czynnych, a większość z nich stanowiła modyfikacje już znanych związków. Dla wielu bakterii istnieją więc już gotowe strategie obrony.
Powody są proste i brutalne:
- Opracowanie naprawdę nowej substancji czynnej wymaga zwykle ponad dziesięciu lat badań.
- Rozwój pochłania miliardy złotych.
- Antybiotyki powinny być stosowane jak najrzadziej, aby jak najdłużej zachowały skuteczność – co obniża zyski producentów.
- Badania kliniczne z udziałem ciężko chorych pacjentów są drogie i podlegają wyjątkowo surowym regulacjom.
Wiele firm farmaceutycznych wycofało się z tej dziedziny. Efekt jest taki, że nawet gdy zapotrzebowanie rośnie, w pipeline'ach dużych koncernów dzieje się stosunkowo niewiele.
Stoimy wobec medycznego paradoksu: im bardziej pilnie potrzebujemy nowych antybiotyków, tym mniej opłaca się firmom ich opracowywanie.
Jak AI sprawdza miliony substancji, gdy naukowcy śpią
Tu właśnie wkracza sztuczna inteligencja. Zamiast testować cząsteczki jedną po drugiej, badacze zasilają algorytmy ogromnymi zbiorami danych z dziedziny chemii, biologii i medycyny.
Przykładowo, zespół z Massachusetts Institute of Technology wytrenował model na całej wiedzy farmakologicznej dotyczącej antybiotyków – strukturach chemicznych, mechanizmach działania, budowie bakterii i profilach toksyczności.
System nauczył się rozpoznawać wzorce: jakie kształty geometryczne i grupy atomów sugerują działanie przeciwdrobnoustrojowe, a jakie nie. Na tej podstawie AI była w stanie oceniać nowe struktury chemiczne.
Zamiast hodować każdą substancję w laboratorium i testować ją na bakteriach, program obliczał prawdopodobieństwo sukcesu:
- Około 45 milionów znanych lub teoretycznych struktur molekularnych zostało wirtualnie „przesymulowanych".
- W symulacji AI szacowała, jak dobrze dana substancja wiąże się z określonymi celami wewnątrz bakterii.
- Obiecujące kandydatury były celowo modyfikowane, rozwijane lub łączone w nowe kombinacje.
W ten sposób powstało około 36 milionów nowych, dotąd nieznanych połączeń chemicznych – nie w probówce, lecz na razie wyłącznie w komputerze.
Dwa trafienia – i mimo to naukowy sukces
Niewielką część tych wirtualnych cząsteczek rzeczywiście zsyntetyzowano i sprawdzono w laboratorium. Wyniki były zaskakujące: dwie substancje wykazały udowodnione działanie przeciwko szczególnie opornym bakteriom i atakowały je w sposób wyraźnie różniący się od istniejących klas antybiotyków.
Na pierwszy rzut oka dwa trafienia spośród 36 milionów mogą wydawać się znikomym wynikiem. W rzeczywistości to imponujący sukces – wiele klasycznych programów poszukiwania substancji czynnych kończy się po latach bez choćby jednego kandydata, który trafiłby do wczesnych badań klinicznych.
AI pokazuje, że problemem niekoniecznie był brak wiedzy – lecz brak możliwości wystarczająco szybkiego jej przeszukania.
Kolejne narzędzia AI: od fałdowania białek po prognozowanie oporności
Poza algorytmami przeszukującymi kluczową rolę odgrywają inne systemy. Szczególnie dużo uwagi przyciąga AlphaFold – AI zdolna do przewidywania przestrzennej struktury białek. Dla badań nad antybiotykami ma to ogromne znaczenie: tylko wiedząc, jak białko bakteryjne wygląda w trzech wymiarach, można opracować substancję, która zadokuje dokładnie we właściwym miejscu.
Równolegle powstają modele przewidujące przebieg oporności. W ramach tzw. AMR-AI (Antimicrobial Resistance AI) programy obliczają, jaka mutacja może jako następna utrwalić się w danym patogenie i jak zmienia się to ryzyko w zależności od zastosowanego antybiotyku.
Takie informacje pomagają klinikom między innymi:
- Planować terapie tak, aby jak najmniej sprzyjały selekcji opornych szczepów.
- Wcześnie wykrywać, które bakterie mogą stać się problemem w danej placówce.
- Ukierunkowywać działania higieniczne na najbardziej niebezpieczne patogeny.
Szanse, ograniczenia i co sami możemy zrobić
Nawet jeśli AI wzbudza teraz nową falę nadziei – nie jest cudownym remedium. Każda potencjalna substancja czynna nadal musi przejść przez badania na zwierzętach, próby kliniczne i rygorystyczne procedury dopuszczenia do obrotu. Wielu kandydatów odkrytych przez AI nie dotrze do mety – z powodu działań niepożądanych, braku stabilności albo praktycznych trudności w produkcji i dawkowaniu.
Mimo to układ sił wyraźnie się zmienia. Zamiast latami na oślep przeszukiwać chemiczne biblioteki, badania stają się znacznie bardziej ukierunkowane. Zasoby laboratoryjne trafiają wyłącznie do substancji o wysokim prawdopodobieństwie sukcesu.
Równocześnie kluczowe pozostaje codzienne postępowanie. Bez odpowiedzialnego stosowania dostępnych antybiotyków nawet najlepsza AI nie zatrzyma narastania oporności. W praktyce oznacza to między innymi:
- Przyjmowanie antybiotyków tylko wtedy, gdy lekarz uzna je za naprawdę niezbędne.
- Zawsze dokończenie pełnego kursu leczenia – nie przerywanie go na własną rękę po ustąpieniu objawów.
- Nieoddawanie pozostałych tabletek innym osobom ani nieprzetrzymywanie ich „na zapas".
- Przestrzeganie zasad higieny w szpitalu i regularne dezynfekowanie rąk.
Dlaczego oporność na antybiotyki dotyczy nas wszystkich – i co jeszcze może zdziałać AI
Wiele osób kojarzy oporne bakterie z salami intensywnej terapii. Tymczasem problem ten dotyka już codziennego życia: infekcje dróg moczowych, zapalenie ucha środkowego, ropiejące rany – wszystkie te dolegliwości są trudniejsze do leczenia, gdy standardowe leki zawodzą. Rutynowe zabiegi, takie jak operacja biodra czy cesarskie cięcie, stają się ryzykowniejsze, gdy zakażeniom trudno zapobiec.
AI może tu w perspektywie długofalowej nie tylko dostarczyć nowych leków, lecz również wspomóc diagnostykę. Programy analizujące wyniki badań laboratoryjnych, objawy i dokumentację medyczną wykrywają wzorce, które umykają ludzkiemu oku. Dzięki temu oporne patogeny można identyfikować wcześniej i szybciej wdrażać celowane leczenie.
Terminy takie jak struktura białek, projektowanie cząsteczek czy modelowanie oporności brzmią abstrakcyjnie dla większości z nas. Ostatecznie chodzi jednak o coś bardzo konkretnego: o to, żeby skaleczenie palca nie przeradzało się w zagrażającą życiu sepsę i żeby zapalenie płuc u starszych osób pozostało uleczalne. AI pracuje już nad tym zadaniem w tle – niepozornie, ale z ogromnym potencjałem.
