Przejdź do treści

Praktyczne zastosowania

AI odkrywa antybiotyki szybciej niż człowiek

Zaktualizowano: Autor: Andrzej Niemiec9 min czytania

W maju 2023 zespół MIT i McMaster odkrył abaucin — antybiotyk przeciw opornym bakteriom. Jak modele AI przyspieszają badania farmaceutyczne.

AI odkrywa antybiotyki szybciej niż człowiek
Spis treści
  1. Jak AI znalazła abaucin — rzeczywista historia z 2023 roku
  2. Dlaczego odkrywanie leków trwa tak długo — i jak AI to zmienia
  3. Multimodalne modele biologiczne — następny krok
  4. Czy polska medycyna jest gotowa na AI w odkrywaniu leków?
  5. Jak zacząć — praktyczne kroki dla firm i szpitali
  6. Najczęstsze pytania
  7. Źródła

Jak AI znalazła abaucin — rzeczywista historia z 2023 roku

W maju 2023 zespół badaczy z MIT, McMaster University i Broad Institute opublikował w Nature Chemical Biology wyniki, które zmieniły sposób myślenia o odkrywaniu leków. Zamiast testować tysiące związków chemicznych w laboratorium przez miesiące, naukowcy wytrenowali model uczenia maszynowego na danych o około 7500 związkach testowanych przeciw Acinetobacter baumannii — bakterii odpornościowej na antybiotyki [1].

Model przeanalizował następnie 6680 wcześniej niewidzianych związków w około 1,5–2 godziny. Do dalszych testów laboratoryjnych wybrano 240 kandydatów; ostatecznie zidentyfikowano dziewięć obiecujących związków, w tym abaucin [1]. Abaucin wykazał działanie przeciw A. baumannii zarówno w hodowlach komórkowych, jak i w modelu zakażenia rany u myszy [2]. To nie jest jeszcze lek gotowy do stosowania u ludzi — wymaga dalszych badań bezpieczeństwa i badań klinicznych — ale pokazuje, że AI może wskazać kierunek, którym naukowcy powinni podążyć.

Dlaczego odkrywanie leków trwa tak długo — i jak AI to zmienia

Tradycyjny proces odkrywania antybiotyku zajmuje 10–15 lat. Naukowcy muszą przejść przez kilka etapów: identyfikację celu terapeutycznego, przeszukanie milionów związków chemicznych, testy przedkliniczne i wreszcie badania kliniczne [2].

AI przyspiesza przede wszystkim etap przeszukiwania. Zamiast testować każdy związek fizycznie w laboratorium, model może przewidzieć, które z nich będą aktywne, na podstawie struktury chemicznej i danych historycznych. W przypadku abaucinu ten proces zajął godziny zamiast miesięcy [1].

Ale AI nie pracuje samodzielnie. Naukowcy muszą:

  • Przygotować dane treningowe (struktury chemiczne, wyniki testów)
  • Wybrać odpowiedni model lub wytrenować własny
  • Zweryfikować przewidywania w laboratorium
  • Przeprowadzić testy bezpieczeństwa i skuteczności [2]

To oznacza, że AI jest narzędziem wspomagającym, a nie zastępującym ludzi.

Multimodalne modele biologiczne — następny krok

Abaucin został odkryty za pomocą modelu uczenia maszynowego pracującego na danych chemicznych. Ale w 2026 roku naukowcy pracują nad bardziej zaawansowanymi systemami — multimodalnymi modelami biologicznymi, które łączą wiele typów danych jednocześnie [3].

Multimodalne modele mogą analizować:

  • Sekwencje DNA i RNA
  • Struktury białek w 3D
  • Obrazy histopatologiczne (tkanki pod mikroskopem)
  • Dane kliniczne pacjentów
  • Wyniki testów laboratoryjnych

Taki system może przewidzieć nie tylko, czy związek będzie aktywny, ale także czy będzie bezpieczny, jak będzie się zachowywać w organizmie i dla jakich pacjentów będzie najskuteczniejszy [3].

Bioptimus, startup wspierany przez Insitro i Google, opublikował w 2025 roku multimodalny model łączący histologię, transkryptomikę przestrzenną i dane kliniczne [4]. Takie podejście może zmienić medycynę personalizowaną — dobór leków nie na podstawie objawów, ale na podstawie profilu genetycznego i biologicznego pacjenta.

Czy polska medycyna jest gotowa na AI w odkrywaniu leków?

Polskie szpitale i firmy biotechnologiczne dopiero zaczynają eksperymentować z AI. Główne bariery to:

Brak infrastruktury danych

Większość polskich szpitali nie ma systemów do bezpiecznego przechowywania i analizy danych genomowych. Dane pacjentów są rozproszone między różne systemy, w różnych formatach, co uniemożliwia trenowanie modeli [5].

Regulacje prawne

Polskie prawo nie ma jasnych wytycznych dotyczących wykorzystania AI w medycynie. Nie wiadomo, kto odpowiada za błąd AI — lekarz, producent oprogramowania czy szpital? To zniechęca placówki do inwestycji [6].

Finansowanie

Wdrożenie systemu AI do odkrywania leków wymaga inwestycji rzędu milionów złotych. Dla większości polskich firm biotechnologicznych to kwota nieosiągalna bez wsparcia grantów lub inwestorów [7].

Jak zacząć — praktyczne kroki dla firm i szpitali

1. Audyt danych

Zanim zainwestujesz w AI, sprawdź, jakie dane posiadasz. Czy są wystarczająco dobrej jakości? Czy są standaryzowane? Jeśli nie, zacznij od wdrożenia systemu do zarządzania danymi [3].

2. Współpraca z partnerami technologicznymi

Nie musisz budować wszystkiego od zera. Firmy takie jak AWS, Google Cloud oferują gotowe rozwiązania do analizy danych biologicznych [3].

3. Projekty pilotażowe

Zamiast próbować zrewolucjonizować całą organizację, skup się na jednym problemie. Przykład: optymalizacja dawkowania leków dla konkretnej grupy pacjentów [7].

4. Szukaj grantów

W Polsce możesz liczyć na:

  • Granty z NCBR (Narodowe Centrum Badań i Rozwoju) na projekty związane z AI w medycynie
  • Fundusze UE w ramach programów takich jak "Inteligentny Rozwój"
  • Współpracę z uczelniami — wiele polskich uniwersytetów ma zespoły badawcze pracujące nad AI w biologii [7]

Najczęstsze pytania

Czy AI zastąpi lekarzy i naukowców?

Nie. AI jest narzędziem wspomagającym. W przypadku abaucinu model wskazał obiecujące związki, ale naukowcy musieli je zweryfikować w laboratorium i przeprowadzić testy bezpieczeństwa. Bez ludzi — bez przygotowania danych, interpretacji wyników, podejmowania decyzji — AI nic nie robi [1].

Ile czasu zajmuje wdrożenie AI do odkrywania leków?

To zależy od skali. Projekt pilotażowy może trwać 6–12 miesięcy. Pełne wdrożenie multimodalnego modelu biologicznego może zająć 12–24 miesiące [3].

Czy abaucin jest już dostępny dla pacjentów?

Nie. Abaucin jest na wczesnym etapie badań. Wykazał działanie w modelach laboratoryjnych i na myszach, ale wymaga dalszych badań bezpieczeństwa i badań klinicznych u ludzi. Może to zająć jeszcze kilka lat [2].

Jakie są największe wyzwania dla AI w medycynie?

Jakość danych, prywatność pacjentów, interpretowalność modeli (zrozumienie, dlaczego AI podjęła konkretną decyzję) i regulacje prawne [3], [6].

Czy polska medycyna może konkurować z zachodem w AI?

Tak, ale wymaga inwestycji. Polska ma dobre zespoły badawcze i dostęp do grantów UE. Kluczem jest współpraca między uniwersytetami, szpitalami i firmami technologicznymi [7].

Źródła

  1. Using AI, scientists find a drug that could combat drug-resistant infections (MIT News, 2023)
  2. Antibiotic identified by AI (Nature Chemical Biology, 2023)
  3. Applying multimodal biological foundation models across therapeutics and patient care (AWS, 2024)
  4. Bioptimus Releases Multimodal "World Model" For Biology Covering Histology, Transcriptomics, And Clinical Data (BiopharmaTrend, 2025)
  5. Od LLM do multimodalnego AI: jak sztuczna inteligencja zmienia medycynę (Nanomedia Medica, 2026)
  6. Multimodalna sztuczna inteligencja. Co oznacza dla medycyny? (Izba Lekarska, 2026)
  7. Bioinformatyka przyszłością medycyny. Polacy inwestują w rozwój nowoczesnych terapii przeciwnowotworowych (Biotechnologia.pl, 2026)
  8. Scientists use AI to discover new antibiotic to treat deadly superbug (The Guardian, 2023)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji