Die Experten vom renommierten Massachusetts Institute of Technology (MIT) identifizierten mit diesem neuen Ansatz ein Protein, das die Bakterien benötigen, die Tuberkulose (TB) verursachen. Das Besondere an der Methode ist die Verwendung bestimmter Algorithmen, um aus den vorhandenen Daten bessere Computermodelle entwickeln zu können. Bisher wurde sie nur in der Informatik verwendet, könnte in Zukunft aber auch in der Biologie etwa bei der Herstellung von Proteinen Einzug halten, wie die an der Studie beteiligte MIT-Professorin Bonnie Berger erklärt.

Ein Problem bei der Nutzung von KI in der Biologie war bisher, dass die Algorithmen nur gut darin waren, die Daten zu analysieren, die sie bereits kannten - aber nicht darin, Moleküle zu bewerten, die sich stark von den bekannten unterscheiden. Um dies zu umgehen, verwendeten die Forschenden eine mathematische Methode namens Gauß-Prozess, mit der allgemein Unsicherheiten bei Vorhersagen reduziert werden können.

Außerdem konnte mit dem neuen Ansatz auch die Menge an nötigen Daten verringert werden. Für die Studie analysierte das MIT-Team ingesamt 72 Moleküle und ihre Interaktionen mit mehr als 400 Enzymen, den sogenannten Proteinkinasen.

So konnten letztlich die Moleküle mit starken Bindungsaffinitäten zu den Proteinkinasen gefunden und in Computermodelle eingebaut werden. Drei davon sind menschliche Kinasen - genauso wie die, die im TB-Bakterium Mycobacterium tuberculosis entdeckt wurde. Diese Kinase namens PknB sind für die Bakterien überlebenswichtig, werden aber bisher von keinem Antibiotikum ins Ziel genommen.

Die Vorhersagen über die Computermodelle erwiesen sich schließlich als zu 90 Prozent korrekt und die Forscher testeten die meistversprechenden PknB-Inhibitoren gegen das TB-Bakterium. Und tatsächlich: Das Bakterienwachstum wurde in Zellkulturen gehemmt. Später bestätigten sich die Ergebnisse auch in menschlichen Zellen, die mit Mycobacterium tuberculosis infiziert waren.

Auch für die weitere Forschung könnte sich die MIT-Methode als hilfreich erweisen. "Man braucht nun nicht mehr große Datensätze bei jeder Wiederholung", erklärt Brian Hie, der Hauptautor der Studie. "Es reicht, das Modell mit vielleicht zehn neuen Beispielen zu trainieren - etwas, das jeder Biologe leicht hinbekommen sollte."

cdi