Superbactérias fora de controlo: como a IA descobre novos antibióticos rapidamente

Krankenhäuser berichten immer häufiger von Infektionen, bei denen kein gängiges Standardmedikament mehr zuverlässig anschlägt. Während Ärztinnen und Ärzte um jeden noch wirksamen Wirkstoff kämpfen, durchsuchen Algorithmen am Massachusetts Institute of Technology (MIT) Millionen chemischer Strukturen. Das Ziel ist klar: neue Antibiotika finden, bevor resistente Bakterien endgültig die Oberhand gewinnen.

Wenn Antibiotika ihre Wirkung verlieren

Seit Alexander Fleming 1928 die Wirkung von Penicillin beschrieb, haben Antibiotika die Medizin grundlegend verändert. Lungenentzündung, Blutvergiftung oder Wundinfektionen – viele Erkrankungen, die früher oft tödlich verliefen, sind dadurch behandelbar geworden. Ausgerechnet dieser Erfolg hat jedoch das heutige Problem mit befeuert.

Über Jahrzehnte hinweg wurden Antibiotika grosszügig eingesetzt: bei Virusinfekten, bei leichten Erkältungen, in der Tiermast und in der Landwirtschaft. Jede einzelne Gabe erhöht den Selektionsdruck auf Bakterien. Mikroorganismen, die zufällig eine schützende Mutation tragen, überleben eher, vermehren sich und vererben diese Eigenschaft weiter. Auf diese Weise entstehen Stämme, die gleich mehrere Wirkstoffe überstehen.

"Resistente Bakterien entwickeln sich schneller, als die Forschung neue Medikamente bereitstellen kann – die Schere geht bedrohlich auseinander."

Schätzungen zufolge sterben aktuell weltweit rund 1,1 Millionen Menschen pro Jahr an Infektionen, bei denen verfügbare Antibiotika nicht mehr greifen. Wenn sich der Trend nicht ändert, könnten es bis 2050 jährlich bis zu acht Millionen Todesfälle sein – mehr als heute durch alle Krebserkrankungen zusammen.

Berüchtigte Problemkeime – und viele, die kaum jemand kennt

In der Fachwelt stehen bestimmte Erreger längst sinnbildlich für das Antibiotika-Dilemma. Dazu zählt Neisseria gonorrhoeae, der Auslöser von Gonorrhö. Diese sexuell übertragbare Infektion lässt sich in vielen Fällen kaum noch mit den üblichen Erstlinien-Antibiotika zuverlässig behandeln.

Ein weiteres, besonders bekanntes Beispiel ist Staphylococcus aureus. Diese Bakterien kommen auf der Haut von Millionen Menschen vor und sind meist harmlos. Einige Stämme haben sich jedoch so verändert, dass sie gegen ganze Wirkstoffgruppen resistent sind. Am bekanntesten sind MRSA (Methicillin-resistenter Staphylococcus aureus). Für Krankenhäuser sind solche Keime ein Dauerthema, weil sie Wunden, die Lunge oder den Blutkreislauf infizieren können.

Doch diese beiden Erreger sind nur ein kleiner Ausschnitt. Dutzende weitere Bakterienarten bewegen sich in die gleiche Richtung. Resistenzen verbreiten sich schneller, als Labore neue Wirkstoffe bereitstellen können. In den letzten Jahren kamen nur wenige neue Antibiotika auf den Markt – und die meisten davon sind lediglich Abwandlungen bereits bekannter Klassen, gegen die viele Keime längst Abwehrmechanismen entwickelt haben.

Warum klassische Forschung an Grenzen stösst

Ein wirklich neuartiges Antibiotikum zu entwickeln, dauert üblicherweise mehr als zehn Jahre. Die Kosten reichen bis in die Milliarden. Dazu kommt ein wirtschaftliches Grundproblem: Ein gutes Antibiotikum soll möglichst selten verordnet werden, um Resistenzen hinauszuzögern. Genau das reduziert aber sein Umsatzpotenzial – und schreckt Investoren ab.

• hohe Entwicklungskosten bei geringer Gewinnerwartung
  
• strenge Zulassungsanforderungen und aufwendige Studien
  
• unklare „Lebensdauer“ eines Wirkstoffs, weil Resistenzen drohen
  
• Industriefokus auf profitablere Dauertherapien, etwa bei Krebs oder chronischen Erkrankungen
  

Viele Pharmakonzerne haben sich deshalb aus der Antibiotika-Forschung zurückgezogen. Das Ergebnis: Während Resistenzen weltweit zunehmen, altern die verfügbaren Medikamente. Die medizinische „Rüstung“ erinnert zunehmend an eine löchrige Panzerung, die kaum noch schützt.

AI am MIT als Turbo für die Suche nach neuen Antibiotika

An genau diesem Punkt setzt ein viel beachtetes Vorhaben am MIT an. Der Biomediziner James Collins und sein Team wollten den Spiess umdrehen: Wenn Bakterien so rasch mutieren, dass klassische Laborarbeit kaum hinterherkommt, soll ein System helfen, das im gleichen Tempo Muster erkennt – ein AI-Modell.

Zunächst speisten die Forschenden den Algorithmus mit einem Jahrhundert pharmakologischen Wissens:

• Strukturen bekannter Antibiotika
  
• detaillierte Wirkmechanismen
  
• Aufbau und Schwachstellen unterschiedlicher Bakterienarten
  
• Daten zur Giftigkeit gegenüber menschlichen Zellen
  

So lernte das Modell, welche Merkmale in chemischen Strukturen auf potenzielle antibakterielle Wirkung hindeuten. Es ging nicht darum, wahllos zu testen, sondern um eine maschinelle Variante von „chemischem Bauchgefühl“.

45 Millionen Strukturen im virtuellen Hochdurchsatz

Mit dieser Grundlage startete die eigentliche Suche. Das System untersuchte rund 45 Millionen chemische Verbindungen – nicht im Reagenzglas, sondern rechnergestützt. Statt jede Substanz erst zu synthetisieren und dann mühsam zu testen, berechnete das Modell, wie wahrscheinlich es ist, dass eine Struktur bestimmte Bakterien wirksam angreift.

Dabei variierte der Algorithmus vielversprechende Moleküle, kombinierte Bausteine und veränderte Winkel sowie Bindungen. Auf diese Weise entstand eine Bibliothek von etwa 36 Millionen neuen, bisher nicht hergestellten Verbindungen. Wäre das vollständig von einem klassischen Forschungsteam erledigt worden, hätte es Jahrzehnte beansprucht.

"Was früher Jahre kostete, läuft jetzt in Stunden oder Tagen: AI sortiert Millionen molekularer Kandidaten, bevor das erste Reagenzglas überhaupt gefüllt wird."

Zwei Treffer – trotzdem ein Meilenstein

Aus dieser virtuellen Kandidatenmenge wählte das Team einige Substanzen aus, stellte sie im Labor her und testete sie an echten Bakterienstämmen, darunter auch resistente Varianten. Am Ende blieben zwei Moleküle übrig, die in Versuchen eine klare Wirkung gegen Problemkeime zeigten – mit Angriffspunkten, die sich deutlich von bekannten Antibiotikaklassen unterscheiden.

Das klingt zunächst ernüchternd: zwei Treffer aus 36 Millionen neuen Strukturen. In der Praxis gilt das Resultat jedoch als bemerkenswert. Viele klassische Wirkstoffprogramme enden nach Jahren im präklinischen Stadium ohne verwertbaren Kandidaten. Der Vergleich macht vor allem eines sichtbar: Das Nadelöhr lag bislang weniger in der Biologie als in den Werkzeugen, mit denen gesucht wurde.

Weitere AI-Werkzeuge gegen resistente Bakterien

Neben dem MIT-Projekt entstehen weitere Systeme, die an anderen Stellen ansetzen. Ein prominentes Beispiel ist AlphaFold. Diese Software sagt die dreidimensionale Faltung von Proteinen erstaunlich präzise voraus. Für die Antibiotika-Forschung ist das besonders wertvoll, weil viele Wirkstoffe an sehr spezifische Proteinstrukturen in Bakterien andocken.

Wenn die exakte Form dieser Zielstrukturen bekannt ist, lassen sich Moleküle gezielter entwerfen – wie ein Schlüssel, der ins Schloss passt. Anstatt blind im chemischen Raum zu suchen, lenkt AI den Fokus auf Bereiche, in denen die Trefferwahrscheinlichkeit deutlich höher ist.

Andere Modelle, oft unter dem Sammelbegriff AMR-AI geführt (AMR steht für „Antimicrobial Resistance“), versuchen, die Evolution der Erreger selbst vorherzusagen. Sie analysieren grosse Datensätze aus Kliniken und Laboren weltweit und erkennen Muster darin, wie und wo Resistenzen entstehen.

• Frühwarnungen vor sich ausbreitenden resistenten Stämmen
  
• bessere Planung von Antibiotikatherapien in Krankenhäusern
  
• Zielgebiete für Hygienemassnahmen und Monitoring
  

Was AI leisten kann – und was nicht

Trotz der Fortschritte bleibt AI ein Werkzeug und kein Wundermittel. Jeder vielversprechende Wirkstoffkandidat muss weiterhin toxikologisch geprüft, in Tierversuchen untersucht und später in klinischen Studien getestet werden. Fachleute entscheiden, welche Risiken vertretbar sind und wie ein neues Medikament sinnvoll eingesetzt werden kann.

Gleichzeitig verändert die Technologie das Tempo der Forschung. An die Stelle jahrelanger Trial-and-Error-Programme treten stärker fokussierte Strategien. AI destilliert aus Jahrzehnten biologischen und pharmakologischen Wissens Muster, die Menschen zwar prinzipiell verstehen, in dieser Menge aber nur schwer erkennen.

"Die eigentliche Chance liegt darin, menschliche Intuition und maschinelle Rechenstärke zu kombinieren – Ärzte und Algorithmen arbeiten am selben Ziel."

Was Patientinnen und Patienten jetzt tun können

Während in Laboren an den Antibiotika von morgen gearbeitet wird, entscheidet sich im Alltag mit, wie lange vorhandene Wirkstoffe noch tragen. Jeder unnötige Einsatz erhöht den Selektionsdruck auf Bakterien – und macht spätere Behandlungen riskanter.

• Antibiotika nur einnehmen, wenn sie ausdrücklich von Ärztinnen oder Ärzten verordnet wurden
  
• eine Therapie nie vorzeitig abbrechen, auch wenn die Symptome nachlassen
  
• keine alten Reste „auf eigene Faust“ verwenden
  
• bei Erkältung oder Grippe gezielt nachfragen, ob wirklich ein Antibiotikum nötig ist
  

Auch für medizinisches Personal lohnt sich der Blick auf AI-gestützte Tools. Schon heute helfen Programme bei der Auswahl geeigneter Wirkstoffe oder schlagen Alarm, wenn eine Einrichtung vermehrt resistente Keime meldet. Solche Hilfsmittel können Fehlverordnungen verringern und wirksame Antibiotika länger schützen.

Begriffe, die man kennen sollte

„Antibiotikaresistenz“ bedeutet nicht, dass der Körper ein Medikament nicht verträgt, sondern dass die Bakterien selbst unempfindlich geworden sind. Dann wirkt die Therapie schlicht nicht mehr. „Superbakterien“ sind keine eigene Art, sondern besonders resistente Stämme, die gleich mehreren Wirkstoffen trotzen.

AI-Modelle wie AlphaFold oder spezialisierte AMR-AI-Systeme greifen dafür auf enorme Datenmengen zurück. Sie erkennen Muster, die Menschen theoretisch nachvollziehen können, praktisch aber in dieser Fülle nicht überblicken. Daraus entstehen Prognosen, welche Mutationen wahrscheinlich auftreten und welche chemischen Strukturen sie voraussichtlich noch knacken.

Genau an dieser Schnittstelle liegt die Zukunft der Infektionsmedizin: Maschinen schlagen Kandidaten vor, Menschen prüfen sie – und gemeinsam wird versucht, den Vorsprung der Bakterien zu verkleinern. Die grundsätzliche Bedrohung verschwindet dadurch nicht, doch die Medizin gewinnt Zeit – und im Kampf gegen resistente Bakterien zählt jeder Monat.