AI-антибіотики: як MIT та McMaster University шукають нові ліки проти супербактерій

Стійкість бактерій до антибіотиків уже безпосередньо впливає на можливості сучасної медицини. За актуальними даними Всесвітньої організації охорони здоров’я, бактеріальна антимікробна резистентність була пов’язана з більш ніж 4,7 млн смертей у світі у 2021 році. У 2023 році приблизно кожна шоста лабораторно підтверджена бактеріальна інфекція виявилася резистентною до антибіотиків. З 2018 до 2023 року стійкість зросла більш ніж у 40% комбінацій «патоген – антибіотик», які відстежує ВООЗ.

Традиційний пошук нового препарату потребує перевірки величезної кількості хімічних речовин. Машинне навчання змінює цей процес. Алгоритм може за короткий час оцінити мільйони структур і визначити молекули, які з більшою ймовірністю пригнічуватимуть конкретну бактерію.

Насамперед AI використовують для таких завдань:

• пошуку антибактеріальних властивостей у вже відомих молекул;
• прогнозування активності речовин проти резистентних бактерій;
• відсіювання потенційно токсичних сполук;
• пошуку нових механізмів дії антибіотиків;
• генерації молекул, яких раніше не було в хімічних бібліотеках;

Це не означає, що штучний інтелект сам створює готові ліки. Після комп’ютерного відбору кожну молекулу ще потрібно синтезувати, перевірити в лабораторії та провести доклінічні й клінічні дослідження.

Halicin – як MIT знайшов перспективний антибіотик серед мільйонів молекул

Одним із найвідоміших прикладів став halicin. У 2020 році дослідники MIT застосували модель глибокого навчання для пошуку речовин з антибактеріальною активністю. Як повідомляє MIT News у матеріалі про відкриття halicin, ця молекула раніше розглядалася як потенційний препарат для лікування діабету, але модель виявила зовсім іншу властивість.

Після навчання системи дослідники використали її для аналізу понад 100 млн хімічних сполук із бази ZINC15. Комп’ютерний скринінг зайняв три дні.

Результат виявився показовим:

1. Алгоритм проаналізував понад 100 млн потенційних сполук.
2. Дослідники відібрали 23 перспективні молекули для лабораторної перевірки.
3. Вісім речовин продемонстрували антибактеріальну активність.
4. Halicin став одним із найцікавіших кандидатів через незвичний механізм дії.

У лабораторних тестах halicin діяв проти низки бактерій, включно з Acinetobacter baumannii. У моделі інфекції на мишах мазь із цією речовиною усунула A. baumannii протягом 24 годин. Водночас це був доклінічний результат, а не доказ ефективності препарату в людей.

Abaucin – відкриття McMaster University та MIT проти Acinetobacter baumannii

У 2023 році команда McMaster University разом із дослідниками MIT представила ще один результат – abaucin. Детальну наукову роботу опублікував журнал Nature Chemical Biology. Вчені спочатку протестували приблизно 7 500 молекул на здатність пригнічувати Acinetobacter baumannii, а потім використали отримані дані для навчання нейронної мережі.

Acinetobacter baumannii становить особливий інтерес через здатність набувати множинної стійкості до препаратів і спричиняти складні внутрішньолікарняні інфекції.

AI допоміг знайти abaucin – речовину з відносно вузьким спектром активності саме проти A. baumannii.

Чому вузький спектр дії має значення

Звичайний антибіотик широкого спектра може впливати не лише на збудника захворювання, а й на інші бактерії. Вузькоспектровий препарат потенційно дозволяє діяти точніше.

Дослідники встановили кілька важливих властивостей abaucin:

• молекула демонструвала активність проти A. baumannii;
• її дія пов’язана з порушенням транспорту бактеріальних ліпопротеїнів;
• у механізмі бере участь білок LolE;
• речовина контролювала A. baumannii в моделі інфікованої рани у мишей;

Автори дослідження прямо називають abaucin перспективною вихідною молекулою для подальшої розробки, а не готовим лікарським препаратом.

Генеративний AI уже створює нові молекули з нуля

Наступний крок значно складніший. AI може не лише шукати потрібну структуру серед відомих речовин, а й генерувати нові молекули.

У 2025 році дослідники MIT використали генеративний AI для проєктування антибіотиків проти резистентної Neisseria gonorrhoeae та мультирезистентного Staphylococcus aureus. За інформацією MIT про дослідження генеративних антибіотиків, система створила понад 36 млн потенційних сполук.

Наукові результати опублікували в журналі Cell. У базі PubMed доступна оригінальна робота «A generative deep learning approach to de novo antibiotic design». Із 24 синтезованих сполук сім продемонстрували селективну антибактеріальну активність.

Для боротьби з N. gonorrhoeae дослідники спочатку працювали приблизно з 45 млн хімічних фрагментів. Після багатоетапного відбору перспективний фрагмент F1 став основою для генерації приблизно 7 млн нових кандидатів. Один із них отримав назву NG1.

Для Staphylococcus aureus модель діяла ще вільніше та згенерувала понад 29 млн потенційних молекул. Дослідникам вдалося синтезувати 22 відібрані речовини, шість із яких показали сильну активність. Кандидат DN1 зменшував бактеріальне навантаження в моделі MRSA-інфекції шкіри у мишей.

Enterololin – AI допоміг визначити механізм дії антибіотика

У 2025 році MIT та McMaster University показали ще одну можливість AI. Алгоритми можуть допомагати не тільки знаходити молекули, а й пояснювати, на яку структуру бактерії вони діють.

За даними MIT CSAIL про дослідження enterololin, науковці працювали з понад 10 000 молекул і використали модель DiffDock для аналізу механізму дії вузькоспектрової речовини enterololin.

За кілька хвилин DiffDock спрогнозував взаємодію enterololin з білковим комплексом LolCDE, який бере участь у транспортуванні ліпопротеїнів у бактеріальній клітині. Вчені не прийняли прогноз AI як доказ. Вони перевірили його експериментально за допомогою резистентних мутантів, секвенування RNA та CRISPR.

Робота, яка за традиційного підходу може тривати приблизно 18 місяців – два роки або довше, у цьому випадку зайняла близько шести місяців.

Коли AI-антибіотики можуть стати реальними ліками

Пошукові запити «нові антибіотики 2026», «AI-антибіотики проти супербактерій» або «ліки, створені штучним інтелектом» можуть створити хибне враження, що такі препарати вже готові до застосування. Насправді halicin, abaucin, NG1, DN1 та enterololin залишаються дослідницькими кандидатами.

Після відкриття молекула має пройти кілька етапів:

1. Оптимізацію структури та способу синтезу.
2. Перевірку токсичності.
3. Дослідження фармакокінетики та дозування.
4. Доклінічні випробування.
5. Клінічні дослідження за участю людей.
6. Регуляторну оцінку перед виходом препарату на ринок.

AI прискорює передусім перші етапи – пошук, відбір, проєктування та аналіз механізму дії. Без біологічної перевірки прогноз алгоритму не можна вважати доказом безпеки або ефективності.

Технологія водночас показує, наскільки ширшим стає застосування штучного інтелекту. На Poshuk.info окремо розглядається практичне використання ШІ у 2026 році, де порівнюються можливості сучасних AI-систем для різних завдань. А якщо майбутні технології переходять із досліджень до практичного надання медичних послуг в Україні, окремого значення набувають вимоги до ліцензування медичної практики.

Дослідження MIT та McMaster University демонструють головну зміну: замість перебору тисяч речовин вручну науковці отримують інструмент для роботи з десятками мільйонів структур. Але AI тут працює не замість лабораторії. Він визначає, де саме варто шукати.