Hur vi själva har försvagat våra starkaste medicinska vapen

Sjukhusen rapporterar allt oftare om infektioner där vanliga läkemedel helt enkelt inte fungerar längre. Medan läkare arbetar på gränsen till sin kapacitet letar forskningen febrilt efter en utväg. Nu riktar många sitt hopp mot artificiell intelligens – den ska hjälpa till att hitta nya verksamma ämnen och bromsa den ökande antibiotikaresistensen.

Allting började som en medicinsk framgångssaga. När effekten av penicillin upptäcktes i slutet av 1920-talet blev lunginflammation, blodförgiftning och sårinfektioner plötsligt behandlingsbara tillstånd som tidigare ofta slutade med döden. Under decennier betraktades antibiotika som nästan det perfekta vapnet.

Men just denna framgång ledde till ett massivt problem. I många länder förskrevs antibiotika alldeles för frikostigt – vid virusinfektioner, lätta förkylningar, inom husdjursuppfödning och ibland till och med förebyggande. Bakterier som av en slump kunde motstå det verksamma ämnet spreds och förde vidare sina skyddsmekanismer.

Genom denna urvalsprocess över många generationer uppstod gradvis så kallade superbakterier – stammar som är resistenta mot flera klasser av verksamma ämnen samtidigt. Sådana bakterier finns inte bara på kliniker utan även på äldreboenden, inom jordbruket och i miljön.

Antibiotikaresistensen utvecklas betydligt snabbare än nya läkemedel når marknaden – det är en tävling vi håller på att förlora.

Antibiotikaresistens: Miljoner dödsfall och en dyster blick mot 2050

Aktuella uppskattningar visar att ungefär 1,1 miljoner människor världen över varje år dör direkt av infektioner som gängse antibiotika nästan inte längre kan bekämpa. Räknar man med de indirekta konsekvenserna är siffran betydligt högre.

Studier varnar för att denna siffra före 2050 kan stiga till upp mot åtta miljoner dödsfall per år om inga grundläggande förändringar sker. Det skulle innebära att resistenta infektioner kostar fler människoliv än alla cancerformer tillsammans gör idag.

Särskilt kända problembakterier står i fokus:

Neisseria gonorrhoeae: Bakterien bakom könssjukdomen gonorré, som har blivit okänslig mot många standardantibiotika.
Staphylococcus aureus (MRSA): Ofta närvarande på huden och ofarlig hos friska, men vissa stammar är resistenta mot viktiga verksamma ämnen och orsakar allvarliga sår- och blodinfektioner.

Dessa namn är bara toppen på isberget. Bakom dem döljer sig dussintals andra sjukdomsalstrande bakterier som gradvis rör sig utom räckhåll för våra nuvarande läkemedel.

Varför klassisk forskning ensam inte längre räcker till

Utvecklingen av nya antibiotika har i princip legat still i åratal. Mellan 2017 och 2022 fick bara tolv nya verksamma ämnen godkännande på global nivå – och de flesta var varianter av redan kända substanser. För många bakterier finns det därför redan motstrategier.

Orsakerna är enkla och brutala:

Ett riktigt nytt verksamt ämne kräver vanligtvis mer än tio års forskning.
Utvecklingen slukar miljarder.
Antibiotika bör användas så sällan som möjligt för att bevara effekten – det minskar lönsamheten för tillverkarna.
Studier med svårt sjuka patienter är dyra och reglerade som nästan inget annat område.

Många läkemedelsföretag har därför dragit sig ur antibiotikautvecklingen. Resultatet är att även när behovet ökar händer det förhållandevis lite i de stora koncernernas forskningspipelines.

Vi står inför en medicinsk paradox: Just för att vi desperat behöver nya antibiotika är det ekonomiskt minst attraktivt för företag att utveckla dem.

Hur AI granskar miljontals substanser medan forskarna sover

Här kommer artificiell intelligens in i bilden. Istället för att testa molekyler en i taget matar forskare algoritmer med enorma datamängder från kemi, biologi och medicin.

Ett konkret exempel: Ett team vid Massachusetts Institute of Technology tränade en modell på allt som farmakologin vet om antibiotika – kemiska strukturer, verkningsmekanismer, bakterieuppbyggnad och toxicitetsprofiler.

Systemet lärde sig att känna igen mönster: Vilka geometriska former och atomgrupper antyder en antimikrobiell effekt, och vilka gör det inte? Med denna kunskap kunde AI:n sedan bedöma helt nya kemiska strukturer.

Istället för att odla varje substans i laboratoriet och testa det mot bakterier beräknar programmet sannolikheten för framgång:

Cirka 45 miljoner kända eller teoretiska molekylstrukturer ”genomspelades” virtuellt.
Via simulering bedömde AI:n hur effektivt substansen binder sig till specifika mål i bakterien.
Lovande kandidater modifierades målinriktat, utvidgades eller kombinerades på nya sätt.

På detta sätt uppstod omkring 36 miljoner nya, hittills okända föreningar – inte i provrör utan tills vidare endast i datorn.

Två fynd – och ändå en vetenskaplig seger

Ett litet urval av dessa virtuella molekyler syntetiserades därefter faktiskt och testades i laboratoriet. Resultatet var anmärkningsvärt: Två av substanserna verkade dokumenterat mot särskilt resistenta bakterier och angrep dem på ett sätt som tydligt skiljer sig från befintliga antibiotikaklasser.

Vid första anblicken kan två fynd ur 36 miljoner låta som en försvinnande liten utdelning. I verkligheten är det en imponerande prestation – många klassiska program för substanssökning slutar efter åratal utan en enda substans som klarar sig genom tidiga kliniska försök.

AI visar att det inte nödvändigtvis var kunskap som saknades – utan förmågan att gå igenom den tillräckligt snabbt.

Flera AI-verktyg: Från proteinstruktur till resistensprognos

Utöver sådana sökalgoritmer spelar flera andra system en central roll. Särskilt AlphaFold har fått stor uppmärksamhet – en AI som kan förutsäga den rumsliga strukturen hos proteiner. För antibiotikaforskningens del är det avgörande: Endast den som vet hur ett protein i en bakterie ser ut tredimensionellt kan utveckla ett verksamt ämne som dockar på exakt rätt plats.

Parallellt härmed utvecklas modeller som förutsäger resistensförlopp. Under beteckningen AMR-AI (Antimicrobial Resistance AI) beräknar program vilken mutation som sannolikt kommer att slå igenom i en bakterie som nästa, och hur denna risk förändras beroende på användningen av ett visst antibiotikum.

Sådana uppgifter hjälper exempelvis kliniker att:

Planera behandlingar så att de i minsta möjliga utsträckning främjar resistenta stammar.
Tidigt identifiera vilka bakterier som kan bli ett problem på det aktuella sjukhuset.
Rikta hygienåtgärder mot de farligaste sjukdomsalstrande organismerna.

Möjligheter, begränsningar och vad patienter själva kan göra

Även om AI för tillfället ger upphov till en ny våg av hopp är den ingen mirakelmedicin. Varje potentiellt verksamt ämne måste fortfarande igenom djurförsök, kliniska studier och strikta godkännandeförfaranden. Många av de kandidater som AI hittar kommer att falla bort på vägen – på grund av biverkningar, bristande stabilitet eller praktiska problem med framställning och dosering.

Trots det förskjuts maktförhållandet: Istället för att i åratal prova kemiska bibliotek i blindo går forskningen nu mycket mer målinriktat till väga. Laboratorieresurser hamnar endast hos substanser med hög sannolikhet för framgång.

Vid sidan av detta är vardagen fortsatt avgörande. Utan en ansvarsfull användning av de befintliga antibiotika kommer inte ens den bästa AI att förhindra att resistensen fortsätter att växa. Konkret betyder det till exempel:

Endast ta antibiotika när läkare bedömer dem som verkligt nödvändiga.
Alltid genomföra hela kuren – inte sluta på eget initiativ när man mår bättre.
Aldrig spara kvarvarande tabletter eller ge dem vidare till andra.
Ta hygienkraven på allvar på sjukhus och desinfektera händerna regelbundet.

Varför antibiotikaresistens angår oss alla – och var AI fortsatt kan göra skillnad

Många förknippar resistenta bakterier med intensivvårdsavdelningar. Men i verkligheten påverkar de för länge sedan vardagen: Urinvägsinfektioner, mellanöreinflammation, inflammerade sår – alla dessa åkommor blir svårare att behandla när standardläkemedel slår fel. Rutinmässiga ingrepp som höftoperationer eller kejsarsnitt blir mer riskfyllda när infektioner är svåra att kontrollera.

AI skulle på längre sikt inte bara kunna leverera nya medel utan även hjälpa till med diagnostik. Program som analyserar laboratorievärden, symtom och journaler känner igen mönster som människor förbiser. Det skulle möjliggöra tidigare identifiering av resistenta bakterier och snabbare, mer målinriktad behandling.

För de flesta låter begrepp som proteinstruktur, molekyldesign och resistensmodellering abstrakt. Men i grunden handlar det om något mycket konkret: att ett skärsår på ett finger inte blir till en livshotande blodförgiftning, och att en lunginflammation hos äldre människor förblir behandlingsbar. AI arbetar redan i kulisserna med denna uppgift – diskret, men med enorm potential.