Från mirakelkur till sårbar punkt i vårt hälsosystem

Det var en gång då penicillin verkade ha obegränsade krafter att rädda liv. Idag hotar superbakterier att vända den framgången upp och ner. Forskare över hela världen tar nu artificiell intelligens i bruk för att hitta nya antibiotika i en tidigare aldrig skådad takt — och för att använda de medel vi fortfarande har på ett mycket smartare sätt.

När Alexander Fleming upptäckte penicillin 1928 förvandlade det medicinen från grunden. Lunginflammation, sårinfektion, blodförgiftning — sjukdomar som tidigare ofta var dödliga blev plötsligt behandlingsbara. På bara några decennier växte antibiotika fram som en av hörnstenarna i modern medicin.

Ironiskt nog är det precis denna framgång som nu vänder sig mot oss. Årtionden av generös och ofta onödig förskrivning av antibiotika har skapat ett enormt evolutionärt tryck på bakterier. De mikroorganismer som av en slump bar på en skyddande mutation överlevde behandlingen, förökade sig och förde sin fördel vidare till nästa generation.

Läkare världen över ser allt oftare infektioner som reagerar minimalt eller inte alls på standardantibiotika. Medicinens verktygslåda håller på att ta slut.

Världshälsoorganisationen betraktar nu antibiotikaresistens som ett av de allvarligaste hoten mot folkhälsan globalt. Uppskattningar tyder på att omkring 1,1 miljoner människor redan dör varje år av infektioner som de tillgängliga medlen inte längre kan bekämpa. Fortsätter den nuvarande utvecklingen kan denna siffra nå upp till omkring åtta miljoner dödsfall per år innan 2050 — mer än alla former av cancer tillsammans orsakar idag.

Superbakterierna rycker fram medan nya medel låter vänta på sig

I den medicinska facklitteraturen dyker samma namn upp om och om igen som skrämmande exempel på resistens. Neisseria gonorrhoeae, som orsakar gonorré, låter sig i många fall nästan inte längre bekämpas med de vanliga förstahandspreparaten. Staphylococcus aureus, en bakterie som lever på huden hos miljontals människor utan att göra skada, finns nu i varianter som är okänsliga för meticillin och besläktade medel. Sådana infektioner kan utvecklas till allvarlig lunginflammation, beninfektioner eller blodförgiftning.

Dessa är bara de mest kända exemplen. I kulisserna utvecklas dussintals andra sjukdomsalstrande bakterier i samma riktning. Bakteriernas anpassning sker snabbare än vi förmår utveckla och godkänna nya läkemedel.

Mellan 2017 och 2022 fick bara tolv nya antibiotika godkännande på global nivå — och nästan alla är variationer över befintliga klasser. Bakterier känner redan grundstrukturerna och har i vissa fall redan byggt upp försvarsmekanismer mot dessa varianter.

Att designa en helt ny antibakteriell molekyl tar ofta mer än tio år och kostar många miljarder kronor. Läkemedelsföretag drar sig allt oftare tillbaka. Ett antibiotikum måste användas så sparsamt som möjligt för att begränsa resistensutvecklingen, vilket kraftigt reducerar den potentiella vinsten. Därtill kommer sträng reglering, dyra kliniska studier och en produkt med osäker livslängd.

Den farmaceutiska industrin följer den ekonomiska logiken — men den medicinska verkligheten gnider sig smärtsamt mot den.

AI som spårhund i ett ofattbart stort molekylärt labyrinth

Forskningsgrupper försöker bryta upp denna återvändsgränd med hjälp av artificiell intelligens. Ett av de mest citerade exemplen kommer från Massachusetts Institute of Technology (MIT), där professor James Collins team tränade en modell för att riktat söka efter nya antibiotika.

Istället för att testa ämnen på måfå fick algoritmen först undervisning i ett århundrades farmakologisk kunskap: hur kända antibiotika är uppbyggda, hur de attackerar bakterier, vilka former av toxicitet som är riskabla, och hur olika bakteriearter ser ut på molekylär nivå.

Med denna kunskap kunde modellen lära sig vilka geometriska mönster i ett ämne som pekar på antibakteriell verkan. Därefter började AI:s egentliga styrka att spela in — nämligen hastighet och skala.

Omkring 45 miljoner befintliga kemiska strukturer bedömdes virtuellt för sin förmåga att döda bakterier.
Lovande kandidater fick mindre justeringar, varefter modellen beräknade resultaten på nytt.
På det sättet uppstod omkring 36 miljoner nya, syntetiska varianter som aldrig tidigare framställts i ett laboratorium.

Först därefter gick forskarna in i det verkliga laboratoriet. En del av de digitalt utvalda ämnena syntetiserades och testades på levande bakterier. Inom denna grupp visade sig två föreningar faktiskt ha kraftig verkan mot resistenta stammar — med en verkningsmekanisme som tydligt skiljer sig från befintliga antibiotika.

I traditionell läkemedelsutveckling slutar otaliga förlopp efter årslångt arbete utan en enda kandidat som når det prekliniska stadiet. Två seriösa fynd från en AI-runda är därför inte ett fiasko, utan ett genombrott.

Mer än bara nya piller: AI som strategisk partner

AI hjälper inte bara till att tänka ut nya ämnen — det bidrar också till att använda det vi redan har på ett smartare sätt. System som AlphaFold förutsäger den tredimensionella strukturen hos proteiner, inklusive bakteriers. Det gör det möjligt att se mycket mer precist var ett läkemedel ska sätta in, och hur en bakterie använder mutationer för att undkomma en behandling.

Dessutom utvecklas modeller som förutsäger hur resistenta bakterier utvecklas, baserat på stora mängder patientdata, laboratorieresultat och genetisk information. Sådana AMR-AI-modeller (antimicrobial resistance-AI) kan varna läkare om vilka medel som på kort sikt riskerar att bli mindre effektiva, eller var ett utbrott av en viss resistent stam är på väg.

För sjukhus och hälsomyndigheter ger det konkreta möjligheter:

Snabbare insikt om en infektion sannolikt är resistent
Behandlingsval baserat på realtidsdata framför föråldrade riktlinjer
Mer riktad och kortare användning av antibiotika, så nyttiga bakterier skadas mindre
Tidigare upptäckt av regionala utbrott med resistenta bakterier

Varför AI inte är en mirakelkur, men kan utgöra en vändpunkt

Ingen inom fältet förväntar sig att AI löser resistenskrisen ensam. Bakterier kommer fortsatt att anpassa sig med rasande fart, och varje nytt antibiotikum sätter igen ett selektionstryck igång. Utan klokare förskrivningsbeteende, bättre hygien på sjukhus, strängare regler för antibiotikaanvändning inom jordbruket och ökad global datautbyte kommer det fortsätta vara ett sisyfosarbete.

Trots detta markerar användningen av AI en tydlig vändpunkt. Teknologin kan på några dagar genomgå kemiska bibliotek som mänsklig forskning skulle använda årtionden på. Misstag är fortfarande vardag, men takten och skalan av dessa feltagningar är så hög att de få framgångarna däremellan kommer fram långt snabbare än tidigare.

Dessutom förskjuts gränsen mellan biologi och datavetenskap ytterligare. Forskare behöver i mindre grad förlita sig på intuition och slumpmässigheter och kan låta modeller försortera hypoteser genom att känna igen mönster som är osynliga för människor. Det ökar chanserna för att framtidens antibiotika inte bara är kraftfulla, utan också verkar precist och medför färre biverkningar.

Vad detta betyder för patienter och hälsovården

För den genomsnittliga patienten ändras ännu inte mycket idag. De flesta AI-utvecklade ämnen befinner sig fortfarande i ett tidigt forskningsstadium. Ändå tecknar sig en framtid där behandling blir mer personlig och datadriven. En läkare kommer kanske snart vid en allvarlig infektion på några sekunder att kunna ta emot rådgivning från ett AI-system som tar bakteriestammen, lokala resistenstal och patientens journal i beaktande.

För hälsosystem ligger vinsten framför allt i tid. Varje månad ett befintligt antibiotikum tack vare klog användning förblir användbart skapar extra utrymme för att testa och införa nya medel på ett säkert sätt. AI fungerar då inte bara som spejare efter nya läkemedel, utan också som förvaltare av den arsenal vi redan besitter.

Vill man förstå riskerna vid antibiotikaresistens bättre är det värt att känna till några nyckelbegrepp. Resistensmekanismer är de sätt på vilka bakterier försvarar sig — till exempel genom att bryta ner ett läkemedel eller anpassa sin cellvägg. En resistensgen är en bit DNA som kodar för en sådan försvarsstrategi, och som via bakteriellt utbyte kan spridas blixtsnabbt genom en population. AI-modeller försöker precis koppla dessa gener och deras effekter till behandlingsresultat i praktiken.

När denna genetiska kunskap kombineras med kliniska data — tänk feberkurva, blodvärden, tidigare infektioner — uppstår en rik bild av vad som fungerar i vilka situationer. Det är något AI hanterar synnerligen väl. Förhoppningen är att mänsklig insikt och algoritmisk beräkningskraft tillsammans kan skapa tillräcklig fart för att göra kampen mot superbakterierna lite mer jämlik igen.