人工智能可开发预防 "超级细菌 "的疗法

克利夫兰诊所的研究人员开发了一种人工智能 (AI) 模型，该模型可以仅根据特定条件下细菌的生长速度来确定治疗细菌感染的最佳药物组合和给药时机。该团队由转化血液学和肿瘤学理论部的 Jacob Scott 博士及其实验室领导，最近在《美国国家科学院院刊》上发表了他们的研究成果。

抗生素被认为使美国人的平均预期寿命延长了近十年。这些疗法降低了如今我们认为轻微的健康问题（例如一些割伤和损伤）的死亡率。但抗生素如今已不再像以前那样有效，部分原因是它们的使用过于广泛。

“全球卫生组织一致认为，我们正在进入后抗生素时代，”斯科特博士解释说。“如果我们不改变对抗细菌的方式，到2050年，死于抗生素耐药性感染的人数将超过死于癌症的人数。”

细菌快速繁殖，产生突变后代。过度使用抗生素使细菌有机会产生对治疗产生耐药性的突变。随着时间的推移，抗生素会杀死所有敏感细菌，只留下抗生素无法杀死的更强大的突变体。

医生用来简化细菌感染治疗方案的一种策略是抗生素轮换。医护人员会随着时间的推移交替使用不同的抗生素。在不同药物之间切换可以缩短细菌对任何一类抗生素产生耐药性的时间。轮换甚至可能使细菌对其他抗生素更容易产生耐药性。

“药物轮换在有效治疗疾病方面显示出了良好的前景，”该研究的第一作者、医学院学生戴维斯·韦弗博士说道。“问题是，我们不知道最好的方法。对于应该使用哪种抗生素、使用多长时间以及按照什么顺序使用，目前还没有标准。”

该研究的共同作者、克利夫兰诊所的博士后研究员杰夫·马尔塔斯博士利用计算机模型预测细菌对一种抗生素的耐药性如何使其对另一种抗生素的耐药性减弱。他与韦弗博士合作，探究数据驱动的模型能否预测药物轮换模式，从而最大限度地降低抗生素耐药性，并最大限度地提高药物敏感性，尽管细菌进化具有随机性。

Weaver博士领导了将强化学习应用于药物轮换模型的研究，该模型教会计算机从错误和成功中学习，从而确定完成任务的最佳策略。Weaver博士和Maltas博士表示，这项研究是首批将强化学习应用于抗生素轮换方案的研究之一。

示意图：进化模拟与已验证的优化方法。来源：《美国国家科学院院刊》（2024）。DOI：10.1073/pnas.2303165121

“强化学习是一种理想的方法，因为你只需要知道细菌的生长速度，这相对容易确定，”韦弗博士解释说，“此外，还存在人为变异和误差。你不需要每次都精确到毫秒地测量生长速度。”

研究团队的人工智能能够找出最有效的抗生素轮换方案，以治疗多种大肠杆菌菌株并预防耐药性。马尔塔斯博士表示，这项研究表明，人工智能可以支持复杂的决策，例如计算抗生素治疗方案。

Weaver 博士解释说，除了管理个别患者的感染之外，该团队的 AI 模型还可以指导医院整体治疗感染的方式。他和他的研究团队还致力于将研究范围从细菌感染扩展到其他致命疾病。

“这个想法不仅限于细菌，它可以应用于任何可能产生耐药性的物体，”他说。“我们相信，未来这类人工智能可以用来治疗耐药性癌症。”