의학 역사상 가장 위대한 발견 중 하나인 페니실린은 우연의 산물이었다.

​1928년 9월 여름 휴가를 마치고 돌아온 세균학자 알렉산더 플레밍은 런던 연구소에 남겨둔 박테리아 군집에 생겨난 곰팡이를 발견했다. 신기하게도, 곰팡이와 접촉하는 곳마다 박테리아의 세포벽이 부서져서 박테리아는 죽었다. 플레밍은 곰팡이가 박테리아에 치명적인 무언가를 분비하고 있다고 추측했고, 나머지는 역사였다.

​1940년대 플레밍의 페니실린 발견과 그 이후의 분리, 합성 및 스케일링은 향후 수십 년 동안 수많은 항생제를 발견하게 했다. 박테리아와 균류는 고대부터 서로 전쟁을 벌여왔고, 그들이 억겁의 세월을 뛰어넘어 진화한 무기는 박테리아 감염과 질병에 대항하는 인류 최고의 방어 수단임이 밝혀졌다.

그러나 최근 수십 년 동안 새로운 항생제의 범람은 조금씩 줄어들었다.

항생제의 개발은 제약회사에게는 비경제적이며, 저행성 산물이 오래 전부터 선정되어 왔다. 우리는 지금 하나 이상의 항생제에 내성이 있는 슈퍼 박테리아 변종과, 그에 맞설 노후화된 무기가 주는 부담에 직면해 있다. 의심할 여지 없이, 약물 저항력으로 인해 전세계적으로 70만 명에 달하는 사망자가 2050년에는 1,000만 명에 이를 것으로 추산된다.

점점 더 많은 과학자들이 대세가 역전되고 있다고 경고하며, 따라서 우리는 놀랍도록 빠르고 무한히 창조적인 박테리아 진화의 전술에 보조를 맞출 새로운 전략이 필요하다.

하지만 항생제의 황금기가 뜻밖의 우연, 인간의 지능, 그리고 천연 분자 무기로 촉발된 곳에서, 그 속편은 다음 페니실린을 찾아 수백만 가지의 화합물을 선별하고 심지어 새로운 화합물을 만들기 위해 인공지능의 신비한 눈에 기대게 될지도 모른다.

강력한 항생제를 발견하다

이번 주, 셀 저널에 게재된 논문에서 MIT의 연구원들은 이 방향으로 한 걸음 나아갔다. 연구팀은 기계 학습 알고리즘이 강력한 새 항생제를 발견했다고 밝혔다.

2001년 AI로 명명된 스페이스 오디세이, 항생제 할리신은 세계보건기구에서 지정한 가장 위험한 약물 내성 박테리아를 포함해 수십 종의 박테리아 변종을 성공적으로 제거했다. 한 달간의 실험에서 대장균 박테리아도 기존의 항생제 시프로플록사신과는 대조적으로 할리신에 대한 내성을 키우지 못했다.

이번 연구의 수석 저자인 MIT 컴퓨터과학과 교수 레지나 바질레이는 가디언지와의 인터뷰에서 "항생물질 발견에 있어서 이번이 처음있는 일"이라고 말했다.

할리신을 발견한 알고리즘은 2,500개 화합물의 분자 특성에 대해 훈련되었다. 거의 절반은 FDA가 승인한 약이었고, 800개는 자연 발생하였다. 연구진은 항생제 성질을 가지고 있지만 (할리신처럼) 기존의 항생제와 구조가 다른 분자를 찾기 위해 알고리즘을 특별히 조정했다. 또한 다른 기계 학습 프로그램을 사용하여, 인간에게 안전할 가능성이 있는 분자의 결과를 선별했다.

초기 연구에 따르면 할리신은 박테리아의 세포막을 공격하여 에너지를 생산하는 능력을 방해한다고 한다. 할리신으로부터 세포막을 보호하는 것은 한두 가지 이상의 유전적 돌연변이를 필요로 할 수 있는데, 이는 박테리아의 저항을 막는 할리신의 인상적인 능력을 설명할 수 있다.

"지금까지 발견된 가장 강력한 항생제 중 하나라고 생각합니다,"라고 MIT 생명공학과 교수이자 연구의 수석 저자 제임스 콜린스는 가디언지에 말했다. "할리신은 광범위한 항생제 내성 병원균에 대항해 주목할 만한 활동을 합니다."

연구팀은 페트리 접시의 박테리아 군집 실험 외에도 쥐에게 할리신을 실험했다. 이 항생제는 알려진 모든 항생제 내성 박테리아의 감염을 하루만에 없앴다. 연구팀은 제약 회사나 비영리 단체와 협력하여 더 많은 연구를 계획하고 있으며, 결국 이 항생제가 인간에게 안전하고 효과적이라는 사실을 증명하길 희망한다.

이 마지막 단계는 신약 승인을 받는 데 드는 비용을 감안할 때 가장 까다로운 단계로 남아 있다. 그러나 콜린스는 이러한 알고리즘이 도움 되기를 바란다. 그는 파이낸셜타임스와의 인터뷰에서 "임상시험을 통과하는데 필요한 비용을 획기적으로 줄일 수 있다"고 말했다.

약물의 세계가 기다리고 있다.​

더 큰 이야기는 다음에 일어날 일이다.

얼마나 많은 새로운 항생제가 발견되기를 기다리고 있으며, AI 검진은 우리를 어디까지 데려갈 수 있을까? 바질레이와 콜린스 팀이 스캔한 초기 6,000개의 화합물은 새발의 피다.

그들은 이미 ZINC15 데이터베이스라는 15억 개의 화합물로 이루어진 온라인 라이브러리에서 1억 개의 분자에 알고리즘을 느슨하게 적용함으로써 더 깊이 파고들기 시작했다. 이 첫 번째 검색은 3일이 걸렸고 23개의 후보가 추가로 발견되었다. 할리신과 같이 구조적으로 기존 항생제와 다르고 인간에게 안전할 수 있는 화합물들이다. 이 중 두 가지가 특히 강력한 것으로 보여 더 연구될 예정이다.

더욱 야심차게, 바질레이는 이 접근법이 좋은 박테리아를 살려주면서 나쁜 박테리아를 민첩하게 죽이는 새로운 항생제를 찾거나 설계할 수 있기를 바라고 있다. 이러한 방식으로, 항생제는 내장의 미생물 전체를 제거하지 않고 어떤 병이든 치료할 수 있을 것이다.

이 모든 것은 시간과 비용이 많이 소요되는 약물 발견 과정에서 기계 학습 알고리즘을 사용하려는 더 큰 움직임의 일부이다. 이 영역의 다른 학자 및 기업들도 약물과 같은 화합물의 광대한 가능성에 대해 AI를 훈련시키고 있다. 지난 가을, 이 분야의 리더 중 한 명인 인실리코는 한 파트너로부터 그들의 방법이 얼마나 빨리 이 일을 할 수 있는지 알아보라는 도전을 받았다. 해당 회사는 단 46일 만에 새로운 개념 증명 약물 후보를 발표했다.

그러나 이 분야는 여전히 발전하고 있으며, 이러한 접근법이 실제로 얼마나 가치가 있을지는 아직 정확히 알 수 없다. 하지만 바질레이는 낙관적이다.

"기계 학습 도구가 정말로 의료 분야에서 지능적인 일을 하고 있는지, 그리고 우리가 어떻게 그것들을 제약 산업에서 일하는 말로 개발할 수 있는지에 대한 의문이 여전히 남아 있습니다."라고 그녀가 말했다. "이는 당신이 이 도구를 얼마나 잘 적용할 수 있는지 보여줍니다."

AI Just Discovered a New Antibiotic to Kill the World’s Nastiest Bacteria

Penicillin, one of the greatest discoveries in the history of medicine, was a product of chance.

After returning from summer vacation in September 1928, bacteriologist Alexander Fleming found a colony of bacteria he’d left in his London lab had sprouted a fungus. Curiously, wherever the bacteria contacted the fungus, their cell walls broke down and they died. Fleming guessed the fungus was secreting something lethal to the bacteria—and the rest is history.

Fleming’s discovery of penicillin and its later isolation, synthesis, and scaling in the 1940s released a flood of antibiotic discoveries in the next few decades. Bacteria and fungi had been waging an ancient war against each other, and the weapons they’d evolved over eons turned out to be humanity’s best defense against bacterial infection and disease.

In recent decades, however, the flood of new antibiotics has slowed to a trickle.

Their development is uneconomical for drug companies, and the low-hanging fruit has long been picked. We’re now facing the emergence of strains of super bacteria resistant to one or more antibiotics and an aging arsenal to fight them with. Gone unchallenged, an estimated 700,000 deaths worldwide due to drug resistance could rise to as many as 10 million in 2050.

Increasingly, scientists warn the tide is turning, and we need a new strategy to keep pace with the remarkably quick and boundlessly creative tactics of bacterial evolution.

But where the golden age of antibiotics was sparked by serendipity, human intelligence, and natural molecular weapons, its sequel may lean on the uncanny eye of artificial intelligence to screen millions of compounds—and even design new ones—in search of the next penicillin.

Hal Discovers a Powerful Antibiotic

In a paper published this week in the journal, Cell, MIT researchers took a step in this direction. The team says their machine learning algorithm discovered a powerful new antibiotic.

Named for the AI in 2001: A Space Odyssey, the antibiotic, halicin, successfully wiped out dozens of bacterial strains, including some of the most dangerous drug-resistant bacteria on the World Health Organization’s most wanted list. In a monthlong experiment, E. coli bacteria also failed to develop resistance to halicin, in stark contrast to existing antibiotic ciprofloxacin.

“In terms of antibiotic discovery, this is absolutely a first,” Regina Barzilay, a senior author on the study and computer science professor at MIT, told The Guardian.

The algorithm that discovered halicin was trained on the molecular features of 2,500 compounds. Nearly half were FDA-approved drugs, and another 800 naturally occurring. The researchers specifically tuned the algorithm to look for molecules with antibiotic properties but whose structures would differ from existing antibiotics (as halicin’s does). Using another machine learning program, they screened the results for those likely to be safe for humans.

Early study suggests halicin attacks the bacteria’s cell membranes, disrupting their ability to produce energy. Protecting the cell membrane from halicin might take more than one or two genetic mutations, which could account for its impressive ability to prevent resistance.

“I think this is one of the more powerful antibiotics that has been discovered to date,” James Collins, an MIT professor of bioengineering and senior author told The Guardian. “It has remarkable activity against a broad range of antibiotic-resistant pathogens.”

Beyond tests in petri-dish bacterial colonies, the team also tested halicin in mice. The antibiotic cleared up infections of a strain of bacteria resistant to all known antibiotics in a day. The team plans further study in partnership with a pharmaceutical company or nonprofit, and they hope to eventually prove it safe and effective for use in humans.

This last bit remains the trickiest step, given the cost of getting a new drug approved. But Collins hopes algorithms like theirs will help. “We could dramatically reduce the cost required to get through clinical trials,” he told the Financial Times.

A Universe of Drugs Awaits

The bigger story may be what happens next.

How many novel antibiotics await discovery, and how far can AI screening take us? The initial 6,000 compounds scanned by Barzilay and Collins’s team is a drop in the bucket.

They’ve already begun digging deeper by setting the algorithm loose on 100 million molecules from an online library of 1.5 billion compounds called the ZINC15 database. This first search took three days and turned up 23 more candidates that, like halicin, differ structurally from existing antibiotics and may be safe for humans. Two of these—which the team will study further—appear to be especially powerful.

Even more ambitiously, Barzilay hopes the approach can find or even design novel antibiotics that kill bad bacteria with alacrity while sparing the good guys. In this way, a round of antibiotics would cure whatever ails you without taking out your whole gut microbiome in the process.

All this is part of a larger movement to use machine learning algorithms in the long, expensive process of drug discovery. Other players in the area are also training AI on the vast possibility space of drug-like compounds. Last fall, one of the leaders in the area, Insilico, was challenged by a partner to see just how fast their method could do the job. The company turned out a new a proof-of-concept drug candidate in only 46 days.

The field is still developing, however, and it has yet to be seen exactly how valuable these approaches will be in practice. Barzilay is optimistic though.