Hvordan vi selv har svækket vores stærkeste medicinske våben
Hospitalerne melder stadig oftere om infektioner, hvor almindelige lægemidler simpelthen ikke virker. Mens læger arbejder på grænsen af deres kapacitet, søger forskningen febrilsk efter en udvej. Nu retter mange håb sig mod kunstig intelligens – den skal hjælpe med at finde nye virkestoffer og bremse den stigende antibiotikaresistens.
Det hele begyndte som en medicinsk succeshistorie. Da effekten af penicillin blev opdaget i slutningen af 1920'erne, blev lungebetændelse, blodforgiftning og sårinfektioner pludselig behandlelige tilstande, der tidligere ofte endte med døden. I årtier blev antibiotika betragtet som nærmest det perfekte våben.
Men netop denne succes førte til et massivt problem. Antibiotika blev i mange lande ordineret alt for rundhåndet – ved virusinfektioner, lette forkølelser, i husdyrbrug og til tider endda forebyggende. Bakterier, der tilfældigvis kunne modstå virkestoffet, spredte sig og videregav deres beskyttelsesmekanismer.
Gennem denne udvælgelse over mange generationer opstod der gradvist såkaldte superkim – stammer, der er resistente over for flere klasser af virkestoffer på én gang. Sådanne bakterier findes ikke kun på klinikker, men også på plejehjem, i landbruget og i miljøet.
Antibiotikaresistens udvikler sig betydeligt hurtigere, end nye lægemidler når markedet – det er et løb, vi er ved at tabe.
Antibiotikaresistens: Millioner af dødsfald og et dystert blik frem mod 2050
Aktuelle skøn anslår, at omkring 1,1 millioner mennesker verden over hvert år dør direkte af infektioner, som gængse antibiotika næsten ikke længere kan bekæmpe. Medregner man de indirekte konsekvenser, er tallet betydeligt højere.
Studier advarer om, at dette tal inden 2050 kan stige til op mod otte millioner dødsfald om året, hvis der ikke sker grundlæggende ændringer. Det ville betyde, at resistente infektioner koster flere menneskeliv end alle kræftformer tilsammen gør i dag.
Særligt kendte problemkim er i fokus:
- Neisseria gonorrhoeae: Bakterien bag kønssygdommen gonorré, som er blevet ufølsom over for mange standardantibiotika.
- Staphylococcus aureus (MRSA): Ofte til stede på huden og harmløs hos raske, men visse stammer er resistente over for vigtige virkestoffer og forårsager alvorlige sår- og blodinfektioner.
Disse navne er blot toppen af isbjerget. Bag dem gemmer sig snesevis af andre sygdomsfremkaldende bakterier, der gradvist bevæger sig ud af rækkevidde for vores nuværende lægemidler.
Hvorfor klassisk forskning alene ikke længere er nok
Udviklingen af nye antibiotika er stort set gået i stå i årevis. Mellem 2017 og 2022 fik blot tolv nye virkestoffer godkendelse på verdensplan – og de fleste var varianter af allerede kendte stoffer. For mange bakterier eksisterer der derfor allerede modstrategier.
Årsagerne er enkle og barske:
- Et reelt nyt virkestof kræver typisk mere end ti års forskning.
- Udviklingen sluger milliarder.
- Antibiotika bør bruges så sjældent som muligt for at bevare effekten – det reducerer fortjenesten for producenterne.
- Studier med svært syge patienter er dyre og reguleret som næsten intet andet område.
Mange farmaceutiske virksomheder har derfor trukket sig ud af antibiotikaudviklingen. Resultatet er, at selv når behovet stiger, sker der forholdsvis lidt i de store koncerners forskningsrørledninger.
Vi står over for et medicinsk paradoks: Netop fordi vi desperat har brug for nye antibiotika, er det finansielt mindst attraktivt for virksomheder at udvikle dem.
Hvordan AI gennemtjekker millioner af stoffer, mens forskerne sover
Her kommer kunstig intelligens ind i billedet. I stedet for at teste molekyler ét ad gangen fodrer forskere algoritmer med enorme datamængder fra kemi, biologi og medicin.
Et konkret eksempel: Et hold ved Massachusetts Institute of Technology trænede en model på alt, hvad farmakologien ved om antibiotika – kemiske strukturer, virkemekanismer, bakterieopbygning og toksicitetsprofiler.
Systemet lærte at genkende mønstre: Hvilke geometriske former og atomgrupper antyder en antimikrobiel effekt, og hvilke gør det ikke? Med denne viden kunne AI'en derefter vurdere helt nye kemiske strukturer.
I stedet for at dyrke hvert stof i laboratoriet og teste det mod bakterier beregner programmet sandsynligheden for succes:
- Cirka 45 millioner kendte eller teoretiske molekylstrukturer blev virtuelt "gennemspillet".
- Via simulation vurderede AI'en, hvor effektivt stoffet binder sig til bestemte mål i bakterien.
- Lovende kandidater blev målrettet modificeret, udvidet eller kombineret på nye måder.
På denne måde opstod omkring 36 millioner nye, hidtil ukendte forbindelser – ikke i reagensglas, men foreløbig kun i computeren.
To fund – og alligevel en videnskabelig sejr
Et lille udvalg af disse virtuelle molekyler blev efterfølgende faktisk syntetiseret og afprøvet i laboratoriet. Resultatet var bemærkelsesværdigt: To af stofferne virkede dokumenteret mod særligt resistente bakterier og angreb dem på en måde, der adskiller sig klart fra eksisterende antibiotikaklasser.
Ved første øjekast kan to fund ud af 36 millioner lyde som et forsvindende lille udbytte. I virkeligheden er det en imponerende præstation – mange klassiske programmer til virkestofsøgning ender efter årevis uden én eneste substans, der klarer sig gennem tidlige kliniske forsøg.
AI viser, at det ikke nødvendigvis var viden, der manglede – men evnen til at gennemkæmme den hurtigt nok.
Flere AI-værktøjer: Fra proteinstruktur til resistensprognose
Ud over sådanne søgealgoritmer spiller flere andre systemer en central rolle. Særligt AlphaFold har fået stor opmærksomhed – en AI, der kan forudsige den rumlige struktur af proteiner. For antibiotikaforskningens vedkommende er det afgørende: Kun den, der ved, hvordan et protein i en bakterie ser ud tredimensionalt, kan udvikle et virkestof, der dockes præcis det rigtige sted.
Parallelt hermed udvikles modeller, der forudsiger resistensforløb. Under betegnelsen AMR-AI (Antimicrobial Resistance AI) beregner programmer, hvilken mutation der sandsynligvis vil sætte sig igennem i en bakterie som det næste, og hvordan denne risiko ændrer sig afhængigt af brugen af et bestemt antibiotikum.
Sådanne oplysninger hjælper eksempelvis klinikker med at:
- Planlægge behandlinger, så de i mindst mulig grad fremmer resistente stammer.
- Tidligt identificere, hvilke bakterier der kan blive et problem på det pågældende hospital.
- Målrette hygiejneforanstaltninger mod de farligste sygdomsfremkaldende organismer.
Muligheder, begrænsninger og hvad patienter selv kan gøre
Selv om AI for øjeblikket giver anledning til et nyt håbets bølge, er den ingen mirakelkur. Ethvert potentielt virkestof skal fortsat igennem dyreforsøg, kliniske studier og strenge godkendelsesprocedurer. Mange af de kandidater, AI finder, vil falde fra undervejs – på grund af bivirkninger, manglende stabilitet eller praktiske problemer med fremstilling og dosering.
Ikke desto mindre forskydes magtforholdet: I stedet for i årevis at prøve kemiske biblioteker frem i blinde går forskningen nu langt mere målrettet til værks. Laboratorieressourcer havner kun hos substanser med høj sandsynlighed for succes.
Sideløbende hermed er hverdagen fortsat afgørende. Uden en ansvarlig brug af de eksisterende antibiotika vil selv den bedste AI ikke forhindre, at resistensen fortsætter med at vokse. Konkret betyder det for eksempel:
- Kun tage antibiotika, når læger vurderer dem som reelt nødvendige.
- Altid gennemføre hele kuren – ikke stoppe på eget initiativ, når man har det bedre.
- Aldrig gemme resterende tabletter eller give dem videre til andre.
- Tage hygiejnekravene alvorligt på hospitaler og desinficere hænder regelmæssigt.
Hvorfor antibiotikaresistens angår os alle – og hvor AI fortsat kan gøre en forskel
Mange forbinder resistente bakterier med intensivafdelinger. Men i virkeligheden påvirker de for længst hverdagen: Urinvejsinfektioner, mellemørebetændelse, betændte sår – alle disse lidelser bliver sværere at behandle, når standardlægemidler slår fejl. Rutinemæssige indgreb som hofteoperationer eller kejsersnit bliver mere risikable, når infektioner er svære at kontrollere.
AI kunne på længere sigt ikke blot levere nye midler, men også hjælpe med diagnostik. Programmer, der analyserer laboratorieværdier, symptomer og journaler, genkender mønstre, som mennesker overser. Det ville muliggøre tidligere identifikation af resistente bakterier og hurtigere, mere målrettet behandling.
For de fleste lyder begreber som proteinstruktur, molekyledesign og resistensmodellering abstrakt. Men i bund og grund handler det om noget meget konkret: at et snitsår på en finger ikke bliver til en livstruende blodforgiftning, og at en lungebetændelse hos ældre mennesker forbliver behandlelig. AI arbejder allerede i kulissen på denne opgave – diskret, men med enormt potentiale.
