Fra mirakelkur til sårbart punkt i vores sundhedssystem
Der var engang, hvor penicillin syntes at have ubegrænsede kræfter til at redde liv. I dag truer superbakterier med at vende den succes på hovedet. Forskere over hele verden tager nu kunstig intelligens i brug for at finde nye antibiotika i et hidtil uset tempo — og for at bruge de midler, vi stadig har, langt mere intelligent.
Da Alexander Fleming opdagede penicillin i 1928, forvandlede det medicinen fra bunden. Lungebetændelse, sårinfektioner, blodforgiftning — sygdomme der tidligere ofte var dødelige, blev pludselig behandlelige. På få årtier voksede antibiotika frem som en af hjørnestenene i moderne medicin.
Ironisk nok er det præcis denne succes, der nu vender sig imod os. Årtiers generøs og ofte unødvendig udskrivning af antibiotika har skabt et enormt evolutionært pres på bakterier. De mikroorganismer, der tilfældigvis bar på en beskyttende mutation, overlevede behandlingen, formerede sig og videregav deres fordel til næste generation.
Læger verden over ser stadig hyppigere infektioner, der reagerer minimalt eller slet ikke på standardantibiotika. Medicinens værktøjskasse er ved at løbe tom.
Verdenssundhedsorganisationen betragter nu antibiotikaresistens som en af de alvorligste trusler mod folkesundheden globalt. Skøn tyder på, at omkring 1,1 millioner mennesker allerede dør hvert år af infektioner, som de tilgængelige midler ikke længere kan bekæmpe. Fortsætter den nuværende udvikling, kan dette tal nå op på omkring otte millioner dødsfald om året inden 2050 — mere end alle former for kræft tilsammen forårsager i dag.
Superbakterierne rykker frem, mens nye midler lader vente på sig
I den medicinske faglitteratur dukker de samme navne op igen og igen som skræmmende eksempler på resistens. Neisseria gonorrhoeae, der forårsager gonorré, lader sig i mange tilfælde næsten ikke længere bekæmpe med de sædvanlige førstevalgspræparater. Staphylococcus aureus, en bakterie der lever på huden hos millioner af mennesker uden at gøre skade, findes nu i varianter, der er uimodtagelige over for methicillin og beslægtede midler. Sådanne infektioner kan udvikle sig til alvorlig lungebetændelse, knogleinfektioner eller blodforgiftning.
Disse er blot de mest kendte eksempler. I kulisserne udvikler snesevis af andre sygdomsfremkaldende bakterier sig i samme retning. Bakteriernes tilpasning sker hurtigere, end vi er i stand til at udvikle og godkende nye lægemidler.
Mellem 2017 og 2022 fik blot tolv nye antibiotika godkendelse på verdensplan — og næsten alle er variationer over eksisterende klasser. Bakterier kender allerede grundstrukturerne og har i visse tilfælde allerede opbygget forsvarsmekanismer mod disse varianter.
At designe et helt nyt antibakterialt molekyle tager ofte mere end ti år og koster mange milliarder kroner. Medicinalvirksomheder trækker sig stadig oftere ud. Et antibiotikum skal bruges så sparsomt som muligt for at begrænse resistensudviklingen, hvilket kraftigt reducerer den potentielle fortjeneste. Hertil kommer streng regulering, dyre kliniske studier og et produkt med usikker levetid.
Den farmaceutiske industri følger den økonomiske logik — men den medicinske virkelighed gnider sig smertefuldt imod den.
AI som sporhund i et ufatteligt stort molekylært labyrint
Forskningsgrupper forsøger at bryde denne blindgyde op ved hjælp af kunstig intelligens. Et af de mest citerede eksempler stammer fra Massachusetts Institute of Technology (MIT), hvor professor James Collins' team trænede et model til målrettet at søge efter nye antibiotika.
I stedet for at teste stoffer på måfå fik algoritmen først undervisning i et århundredes farmakologisk viden: hvordan kendte antibiotika er opbygget, hvordan de angriber bakterier, hvilke former for toksicitet der er risikable, og hvordan forskellige bakteriearter ser ud på molekylært niveau.
Med denne viden kunne modellen lære, hvilke geometriske mønstre i et stof der peger på antibakteriel virkning. Derefter begyndte AI's egentlige styrke at spille ind — nemlig hastighed og skala.
- Omkring 45 millioner eksisterende kemiske strukturer blev virtuelt vurderet for deres evne til at dræbe bakterier.
- Lovende kandidater fik mindre justeringer, hvorefter modellen beregnede resultaterne på ny.
- På den måde opstod omkring 36 millioner nye, syntetiske varianter, der aldrig tidligere var fremstillet i et laboratorium.
Først derefter gik forskerne ind i det virkelige laboratorium. En del af de digitalt udvalgte stoffer blev syntetiseret og testet på levende bakterier. Inden for denne gruppe viste to forbindelser sig faktisk at have kraftig virkning mod resistente stammer — med en virkningsmekanisme, der klart adskiller sig fra eksisterende antibiotika.
I traditionel lægemiddeludvikling ender utallige forløb efter årelangt arbejde uden én eneste kandidat, der når det prækliniske stadie. To seriøse fund fra én AI-runde er derfor ikke en fiasko, men et gennembrud.
Mere end bare nye piller: AI som strategisk partner
AI hjælper ikke kun med at udtænke nye stoffer — det bidrager også til at anvende det, vi allerede har, mere intelligent. Systemer som AlphaFold forudsiger den tredimensionale struktur af proteiner, herunder bakteriers. Det gør det muligt at se langt mere præcist, hvor et lægemiddel skal sætte ind, og hvordan en bakterie bruger mutationer til at undslippe en behandling.
Derudover udvikles modeller, der forudsiger, hvordan resistente bakterier udvikler sig, baseret på store mængder patientdata, laboratorieresultater og genetisk information. Sådanne AMR-AI-modeller (antimicrobial resistance-AI) kan advare læger om, hvilke midler der på kort sigt risikerer at blive mindre effektive, eller hvor et udbrud af en bestemt resistent stamme er under opsejling.
For hospitaler og sundhedsmyndigheder giver det konkrete muligheder:
- Hurtigere erkendelse af, om en infektion sandsynligvis er resistent
- Behandlingsvalg baseret på realtidsdata frem for forældede retningslinjer
- Mere målrettet og kortere brug af antibiotika, så nyttige bakterier skades mindre
- Tidligere opdagelse af regionale udbrud med resistente bakterier
Hvorfor AI ikke er en mirakelkur, men kan udgøre et vendepunkt
Ingen inden for feltet forventer, at AI løser resistenskrisen alene. Bakterier vil fortsat tilpasse sig med rivende hast, og hvert nyt antibiotikum sætter igen et selektionstryk i gang. Uden klogere ordinationsadfærd, bedre hygiejne på hospitaler, strengere regler for antibiotikabrug i landbruget og øget global dataudveksling bliver det ved med at være et sisyfosarbejde.
Ikke desto mindre markerer brugen af AI et tydeligt vendepunkt. Teknologien kan på få dage gennemgå kemiske biblioteker, som menneskelig forskning ville bruge årtier på. Fejl er stadig hverdagskost, men tempoet og skalaen af disse fejltagelser er så høj, at de få succeser imellem dem kommer frem langt hurtigere end tidligere.
Desuden forskydes grænsen mellem biologi og datalogi yderligere. Forskere behøver i mindre grad at stole på intuition og tilfældigheder og kan lade modeller forudforsortere hypoteser ved at genkende mønstre, der er usynlige for mennesker. Det øger chancerne for, at fremtidens antibiotika ikke blot er kraftfulde, men også virker præcist og medfører færre bivirkninger.
Hvad dette betyder for patienter og sundhedsvæsenet
For den gennemsnitlige patient ændrer der sig endnu ikke meget i dag. De fleste AI-udviklede stoffer befinder sig stadig i et tidligt forskningsstadium. Alligevel tegner der sig en fremtid, hvor behandling bliver mere personlig og datadrevet. En læge vil måske snart ved en alvorlig infektion på få sekunder kunne modtage rådgivning fra et AI-system, der tager bakteriestammen, lokale resistenstal og patientens journal i betragtning.
For sundhedssystemer ligger gevinsten især i tid. Hver måned et eksisterende antibiotikum takket være klog brug forbliver brugbart, skaber ekstra rum til at teste og indføre nye midler på sikker vis. AI fungerer da ikke kun som spejder efter nye lægemidler, men også som forvalter af det arsenal, vi allerede besidder.
Vil man forstå risiciene ved antibiotikaresistens bedre, er det værd at kende nogle nøglebegreber. Resistensmekanismer er de måder, hvorpå bakterier forsvarer sig — for eksempel ved at nedbryde et lægemiddel eller tilpasse deres cellevæg. Et resistensgen er et stykke DNA, der koder for en sådan forsvarsstrategi, og som via bakteriel udveksling kan sprede sig lynhurtigt gennem en population. AI-modeller forsøger præcis at koble disse gener og deres effekter til behandlingsresultater i praksis.
Når denne genetiske viden kombineres med kliniske data — tænk feber forløb, blodværdier, tidligere infektioner — opstår et rigt billede af, hvad der virker i hvilke situationer. Det er noget, AI håndterer særdeles godt. Håbet er, at menneskelig indsigt og algoritmisk regnekraft tilsammen kan skabe tilstrækkeligt tempo til at gøre kampen mod superbakterierne en smule mere ligeværdig igen.
