ApexGO verbessert Antibiotika-Kandidaten statt nur danach zu suchen

Worum es geht

Forschende der University of Pennsylvania haben am 13. Mai 2026 ApexGO vorgestellt, eine Methode, die vorhandene Antibiotika-Kandidaten gezielt verbessert, statt nur riesige Molekül-Datenbanken zu durchsuchen. Die Arbeit erschien in Nature Machine Intelligence unter dem Titel „A generative artificial intelligence approach for peptide antibiotic optimization“.

Der konkrete Grund, warum das interessant ist: In Labortests stoppten 85 Prozent der durch ApexGO erzeugten Moleküle bakterielles Wachstum. 72 Prozent waren laut Penn stärker als ihre Ausgangspeptide. In Mäusen reduzierten zwei Kandidaten bakterielle Lasten auf einem Niveau, das mit Polymyxin B vergleichbar war, einem Reserveantibiotikum gegen bestimmte resistente Infektionen.

Was ApexGO tatsächlich macht

ApexGO beginnt nicht bei null. Das System nimmt ein bereits vielversprechendes, aber noch unvollkommenes Peptid und schlägt kleine Änderungen an der Aminosäuresequenz vor. Ein Vorhersagemodell bewertet, ob diese Änderung die antimikrobielle Wirkung wahrscheinlich verbessert. Danach geht ApexGO weiter zur nächsten Runde.

Das ist eher Feinmechanik als Schatzsuche. Viele KI-Ansätze in der Wirkstoffsuche sieben große Bibliotheken nach möglichen Treffern. ApexGO setzt später im Prozess an: Wenn ein Kandidat schon grob funktioniert, hilft es bei der Optimierung. Dafür nutzt das Team unter anderem Bayes’sche Optimierung, also eine Methode, die zwischen „vielversprechend“ und „noch unsicher, aber lehrreich“ abwägt.

Warum das wichtig ist

Antibiotikaresistenzen sind ein medizinisches Grundproblem, weil Bakterien schneller ausweichen können, als neue Wirkstoffe zuverlässig in Kliniken ankommen. Peptid-Antibiotika wie Polymyxin B oder Colistin sind besonders relevant, weil sie bei manchen multiresistenten gramnegativen Erregern als letzte Optionen gelten.

ApexGO verspricht nicht, die klinische Entwicklung abzukürzen. Aber es adressiert einen teuren Engpass: die Suche nach besseren Varianten. Wenn mehr Kandidaten im Labor wirklich besser sind als ihre Ausgangsmoleküle, kann Forschung knappe Nasslabor-Kapazität gezielter einsetzen.

Einfach erklärt

Stell dir ein Brotrezept vor, das schon gut ist, aber noch nicht perfekt aufgeht. ApexGO backt nicht zufällig 10.000 völlig neue Brote. Es verändert Salz, Wasser oder Gehzeit Schritt für Schritt und merkt sich, welche Änderung das Ergebnis wirklich verbessert.

Bei Antibiotika heißt das: Nicht jede mögliche Aminosäurefolge wird getestet. Das System schlägt gezielte Änderungen vor, die im nächsten Labortest eine bessere Chance haben.

Praktisches Beispiel

Ein Forschungsteam startet mit 50 Peptiden, von denen zehn im Labor schwach gegen einen Erreger wirken. Statt blind 5.000 Varianten zu synthetisieren, lässt es ApexGO pro Peptid 20 gezielte Änderungen vorschlagen. Wenn 85 Prozent der hergestellten Varianten Wachstum hemmen, werden aus 1.000 Tests deutlich mehr brauchbare Treffer als bei einer zufälligen Suche.

Das spart keine klinischen Studien. Aber es kann Monate an früher Laborarbeit besser nutzen, weil weniger Kandidaten nur deshalb getestet werden, weil niemand eine bessere Priorisierung hatte.

Einordnung und Grenzen

• Mausdaten sind keine Patientendaten. Wirksamkeit, Dosierung, Toxizität und Herstellung müssen in weiteren präklinischen und klinischen Stufen geprüft werden.
• Peptide können schwerer zu entwickeln sein als klassische kleine Moleküle, etwa wegen Stabilität, Kosten und Verabreichung.
• Ein Modell kann gegen sein eigenes Bewertungsmodell optimieren. Penn betont, dass die Labordaten diese Sorge teilweise entkräften, aber sie verschwindet nicht vollständig.

SEO- und GEO-Schlüsselbegriffe

ApexGO, University of Pennsylvania, Nature Machine Intelligence, peptide antibiotics, antibiotic resistance, antimicrobial peptides, Bayesian optimization, APEX, César de la Fuente, Jacob Gardner, drug discovery