Deep Learning na Descoberta de Antibióticos: a Nova Fronteira contra Superbactérias
Pesquisadores do MIT e da McMaster usaram deep learning para identificar o abaucin, um novo antibiótico de espectro estreito contra Acinetobacter baumannii — reduzindo a fase de identificação de candidatos de anos para horas.
📅 Publicado em 24 de fevereiro de 2025
O desafio tradicional da descoberta de antibióticos
A descoberta e desenvolvimento de novos antibióticos tem sido historicamente um processo extremamente lento (10-15 anos até aprovação clínica), altamente custoso (investimentos que frequentemente ultrapassam US$ 1 bilhão por molécula) e cada vez menos produtivo, com declínio acentuado na aprovação de novas classes nas últimas décadas.
Essa “crise de inovação” no desenvolvimento de antimicrobianos ocorre justamente quando a resistência bacteriana se torna mais prevalente. A maioria dos antibióticos descobertos recentemente são variantes de classes já existentes, contra as quais muitos patógenos já possuem mecanismos de resistência estabelecidos.
A revolução da IA na descoberta de antibióticos
Um estudo publicado na Nature Chemical Biology demonstra como o deep learning transformou este panorama. Pesquisadores do MIT e da Universidade McMaster identificaram um novo antibiótico contra A. baumannii — reduzindo a fase de identificação de candidatos de anos para algumas horas.
“O processo de realizar predições e priorizar moléculas para validação foi concluído em apenas algumas horas.” — Liu et al., Nature Chemical Biology, 2023
Metodologia em 3 etapas
🧪 Geração de dados: teste de ~7.500 moléculas contra A. baumannii para criar o conjunto de treinamento inicial.
🧠 Treinamento de IA: rede neural de passagem de mensagens direcionada, capaz de “entender” a estrutura química das moléculas.
🔍 Predição acelerada: aplicação do modelo a 6.680 compostos, identificando os de maior probabilidade de atividade antibacteriana.
A descoberta do abaucin: um avanço significativo
Propriedades notáveis
- Atividade de espectro estreito: age especificamente contra A. baumannii, preservando o microbioma benéfico
- Eficácia contra isolados resistentes: mantém atividade contra cepas de A. baumannii resistentes a múltiplos antibióticos
- Mecanismo de ação inovador: interrompe o tráfego de lipoproteínas via proteína LolE, alvo não explorado por antibióticos convencionais
- Eficácia in vivo: demonstrou capacidade de controlar infecções em modelo animal de ferida
| Aspecto | Método tradicional | Abordagem com IA |
|---|---|---|
| Tempo de identificação inicial | Anos | Horas |
| Número de compostos analisados | Milhões (limitação física) | Potencialmente bilhões |
| Custo da fase de triagem | US$ 10-100 milhões | Fração do custo tradicional |
| Estruturas novas | Limitada a bibliotecas físicas | Pode explorar espaços químicos inexplorados |
| Direcionamento a patógenos específicos | Difícil e custoso | Pode ser otimizado para alvos específicos |
Antibióticos de espectro estreito: a nova fronteira
Diferentemente da maioria dos antibióticos convencionais, o abaucin age especificamente contra A. baumannii, com mínima atividade contra outras bactérias — inclusive as benéficas para o microbioma humano.
Redução da resistência
Ao afetar apenas uma espécie bacteriana específica, há menor pressão seletiva para o desenvolvimento e disseminação de genes de resistência na microbiota como um todo.
Preservação do microbioma
Minimiza a disbiose durante o tratamento, reduzindo riscos de infecções secundárias como C. difficile, comuns após uso de antibióticos de amplo espectro.
Mecanismo de ação: interrupção do tráfego de lipoproteínas
Análises detalhadas revelaram que o abaucin atua perturbando o tráfego de lipoproteínas na membrana bacteriana através da proteína LolE — parte de um sistema essencial para o transporte de lipoproteínas da membrana interna para a externa em bactérias Gram-negativas.
- É um alvo não explorado pelos antibióticos atualmente em uso clínico
- É essencial para a viabilidade bacteriana, reduzindo a probabilidade de desenvolvimento rápido de resistência
- O sistema Lol em A. baumannii possui particularidades estruturais que o diferenciam de outras bactérias Gram-negativas, explicando a especificidade do abaucin
O papel do deep learning no processo
O coração da abordagem foi uma “directed message-passing neural network”, que traduz a estrutura de grafo de uma molécula em um vetor contínuo:
- A estrutura química de cada molécula é representada como um grafo, onde átomos são nós e ligações são arestas
- A rede neural “aprende” progressivamente a relação entre estas estruturas e a atividade antibacteriana
- Através de múltiplas etapas de “troca de mensagens”, o modelo constrói uma representação holística de cada molécula
- Esta representação é usada para prever a probabilidade de atividade contra A. baumannii
O modelo final, otimizado com dez classificadores e características moleculares computáveis, alcançou área sob a curva de precisão-recall de 0,337 ± 0,088 e área sob a curva ROC de 0,792 ± 0,042.
Implicações futuras da IA na descoberta de medicamentos
Otimização multi-alvo
Modelos futuros poderão otimizar simultaneamente atividade antimicrobiana, farmacocinética, penetração tecidual e baixa toxicidade.
Resposta rápida a emergências
Em surtos por patógenos resistentes, modelos pré-treinados poderiam ser rapidamente direcionados para identificar tratamentos em questão de dias.
Personalização por região
Modelos adaptados a padrões regionais de resistência, com soluções para perfis epidemiológicos locais — como as cepas KPC prevalentes no Brasil.
Medicina personalizada
Modelos analisando o perfil de resistência de um patógeno isolado de um paciente e sugerindo a melhor opção terapêutica em tempo real.
Aplicabilidade no contexto brasileiro
- Foco em patógenos prioritários locais: modelos semelhantes poderiam ser treinados contra Klebsiella pneumoniae KPC ou Pseudomonas aeruginosa multirresistente, problemas significativos em nossos hospitais
- Redução de custos: antibióticos mais específicos e eficazes podem reduzir tempo de internação, uso de recursos e complicações secundárias
- Pesquisa nacional: instituições brasileiras com expertise em IA poderiam colaborar com centros de microbiologia para soluções adaptadas à nossa realidade
- Resposta a limitações de recursos: em um sistema de saúde com recursos limitados, otimizar a descoberta de antimicrobianos representa ganho significativo de eficiência
Desafios e limitações
- Modelos de dados incompletos: mesmo os melhores modelos dependem da qualidade dos dados de treinamento, que podem não capturar toda a complexidade dos ambientes biológicos reais
- Validação clínica: testes de segurança e eficácia em humanos ainda exigem tempo significativo (3-7 anos em média) e altos investimentos
- Escalabilidade de produção: desenvolver síntese em escala industrial para novas estruturas químicas pode ser tecnicamente desafiador e economicamente inviável em alguns casos
- Barreiras regulatórias: aprovação de novos antibióticos enfrenta exigências rigorosas, especialmente para estruturas químicas sem precedentes
Perspectivas futuras
- Maior precisão preditiva: modelos futuros provavelmente alcançarão taxas de sucesso ainda maiores
- Integração com outras tecnologias: combinação com CRISPR e biologia sintética para abordagens híbridas contra resistência
- Democratização da tecnologia: ferramentas de IA acessíveis a um maior número de instituições de pesquisa
- Antibióticos personalizados: terapias específicas para cepas ou até mesmo infecções individuais
Referências
- Liu G, Catacutan DB, Rathod K, et al. Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii. Nat Chem Biol. 2023;19:1342-1350. doi.org/10.1038/s41589-023-01349-8
- Stokes JM, Yang K, Swanson K, et al. A deep learning approach to antibiotic discovery. Cell. 2020;180(4):688-702. doi.org/10.1016/j.cell.2020.01.021
- World Health Organization. WHO publishes list of bacteria for which new antibiotics are urgently needed. 27 Feb 2017. who.int
- O’Neill J. Tackling drug-resistant infections globally: final report and recommendations. Review on Antimicrobial Resistance. May 2016. amr-review.org
- ANVISA. Boletim Segurança do Paciente e Qualidade em Serviços de Saúde nº 25: Avaliação dos indicadores nacionais das infecções relacionadas à assistência à saúde (IRAS) e resistência microbiana do ano de 2021. Brasília, 2022.
Quer entender como aplicar IA à sua prática clínica?
Conheça a metodologia AIMED — formação prática para médicos que querem criar, não só usar, tecnologia.
Considerações finais
A descoberta do abaucin representa um marco na interseção entre IA e desenvolvimento de antimicrobianos. A redução do tempo de identificação de candidatos promissores de anos para horas não é otimização incremental — é transformação fundamental no paradigma de descoberta de medicamentos.
💡 Connecting the Dots: a métrica que mais chama atenção no estudo (AUC-ROC de 0,792) na verdade não é a mais importante — a AUPRC de apenas 0,337 é. Quando o evento é raro (poucos compostos ativos entre milhares testados), AUC-ROC infla a percepção de qualidade do modelo; AUPRC penaliza corretamente falsos positivos num cenário desbalanceado. Reportar as duas métricas juntas, como os autores fizeram, é o padrão-ouro que raramente aparece em posts de divulgação científica sobre IA — e é exatamente o tipo de leitura crítica que separa “IA promete revolucionar X” de “IA de fato mostrou o que promete, com a métrica certa”.
Deep Learning in Antibiotic Discovery: the New Frontier Against Superbugs
MIT and McMaster researchers used deep learning to identify abaucin, a new narrow-spectrum antibiotic against Acinetobacter baumannii – shrinking the candidate-identification phase from years to hours.
The traditional challenge of antibiotic discovery
Discovering and developing new antibiotics has historically been extremely slow (10-15 years to clinical approval), highly costly (investments often exceeding $1 billion per approved molecule) and increasingly unproductive, with a sharp decline in new antibiotic classes approved in recent decades.
This “innovation crisis” in antimicrobial development happens precisely as bacterial resistance becomes more prevalent. Most recently discovered antibiotics are variants of existing classes, against which many pathogens already have established resistance mechanisms.
The AI revolution in antibiotic discovery
A study published in Nature Chemical Biology shows how deep learning transformed this landscape. Researchers from MIT and McMaster University identified a new antibiotic against A. baumannii – shrinking the candidate-identification phase from years to a few hours.
“The process of making predictions and prioritizing molecules for validation was completed in just a few hours.” – Liu et al., Nature Chemical Biology, 2023
Methodology in 3 steps
🧪 Data generation: testing ~7,500 molecules against A. baumannii to build the initial training dataset.
🧠 AI training: a directed message-passing neural network capable of “understanding” molecules’ chemical structure.
🔍 Accelerated prediction: applying the model to 6,680 compounds, identifying those most likely to have antibacterial activity.
The discovery of abaucin: a significant breakthrough
Notable properties
- Narrow-spectrum activity: specifically targets A. baumannii, preserving beneficial microbiome
- Efficacy against resistant isolates: retains activity against multi-drug-resistant A. baumannii strains
- Innovative mechanism of action: disrupts lipoprotein trafficking via the LolE protein, a target unexploited by conventional antibiotics
- In vivo efficacy: demonstrated ability to control infections in an animal wound model
| Aspect | Traditional method | AI approach |
|---|---|---|
| Initial identification time | Years | Hours |
| Number of compounds analyzed | Millions (physical limitation) | Potentially billions |
| Screening-phase cost | $10-100 million | Fraction of traditional cost |
| Novel structures | Limited to physical libraries | Can explore unexplored chemical space |
| Targeting specific pathogens | Difficult and costly | Can be optimized for specific targets |
Narrow-spectrum antibiotics: the new frontier
Unlike most conventional antibiotics, abaucin specifically targets A. baumannii, with minimal activity against other bacteria – including those beneficial to the human microbiome.
Reduced resistance
By affecting only one specific bacterial species, there is less selective pressure for the development and spread of resistance genes across the microbiota as a whole.
Microbiome preservation
Minimizes dysbiosis during treatment, reducing risk of secondary infections such as C. difficile, common after broad-spectrum antibiotic use.
Mechanism of action: disrupting lipoprotein trafficking
Detailed analyses revealed that abaucin disrupts lipoprotein trafficking in the bacterial membrane via the LolE protein – part of a system essential for transporting lipoproteins from the inner to the outer membrane in Gram-negative bacteria.
- It is a target unexploited by antibiotics currently in clinical use
- It is essential for bacterial viability, lowering the likelihood of rapid resistance development
- The Lol system in A. baumannii has structural particularities that distinguish it from other Gram-negative bacteria, explaining abaucin’s specificity
The role of deep learning in the process
At the heart of the approach was a “directed message-passing neural network,” which translates a molecule’s graph structure into a continuous vector:
- Each molecule’s chemical structure is represented as a graph, with atoms as nodes and bonds as edges
- The neural network progressively “learns” the relationship between these structures and antibacterial activity
- Through multiple rounds of “message passing,” the model builds a holistic representation of each molecule
- This representation is then used to predict the probability of activity against A. baumannii
The final model, optimized with ten classifiers and supplemented with computable molecular features, achieved a precision-recall AUC of 0.337 ± 0.088 and a ROC AUC of 0.792 ± 0.042.
Future implications of AI in drug discovery
Multi-target optimization
Future models may simultaneously optimize antimicrobial activity, pharmacokinetics, tissue penetration and low toxicity.
Rapid emergency response
In outbreaks caused by resistant pathogens, pre-trained models could quickly be redirected to identify treatments within days.
Regional personalization
Models adapted to regional resistance patterns, with solutions for local epidemiological profiles – such as the KPC strains prevalent in Brazil.
Personalized medicine
Models analyzing a patient-isolated pathogen’s resistance profile and suggesting the best therapeutic option in real time.
Applicability in the Brazilian context
- Focus on local priority pathogens: similar models could be trained against Klebsiella pneumoniae KPC or multidrug-resistant Pseudomonas aeruginosa, significant problems in our hospitals
- Cost reduction: more specific and effective antibiotics can reduce length of stay, resource use and secondary complications
- National research: Brazilian institutions with AI expertise could partner with microbiology centers to develop solutions adapted to our reality
- Response to resource constraints: in a resource-limited health system, optimizing antimicrobial discovery represents a significant efficiency gain
Challenges and limitations
- Incomplete training data: even the best AI models depend on training-data quality, which may not capture the full complexity of real biological environments
- Clinical validation: safety and efficacy testing in humans still requires significant time (3-7 years on average) and high investment
- Production scalability: developing industrial-scale synthesis for new chemical structures can be technically challenging and economically unviable in some cases
- Regulatory barriers: approval of new antibiotics faces rigorous regulatory requirements, especially for unprecedented chemical structures
Future outlook
- Higher predictive precision: future models will likely reach even higher success rates
- Integration with other technologies: combination with CRISPR and synthetic biology for hybrid approaches against resistance
- Technology democratization: AI tools becoming accessible to a broader range of research institutions
- Personalized antibiotics: strain-specific or even individual-infection-specific therapies
References
- Liu G, Catacutan DB, Rathod K, et al. Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii. Nat Chem Biol. 2023;19:1342-1350. doi.org/10.1038/s41589-023-01349-8
- Stokes JM, Yang K, Swanson K, et al. A deep learning approach to antibiotic discovery. Cell. 2020;180(4):688-702. doi.org/10.1016/j.cell.2020.01.021
- World Health Organization. WHO publishes list of bacteria for which new antibiotics are urgently needed. 27 Feb 2017. who.int
- O’Neill J. Tackling drug-resistant infections globally: final report and recommendations. Review on Antimicrobial Resistance. May 2016. amr-review.org
- ANVISA (Brazilian Health Regulatory Agency). Patient Safety and Healthcare Quality Bulletin no. 25: 2021 national indicators for healthcare-associated infections (HAI) and microbial resistance. Brasilia, 2022.
Want to understand how to apply AI in your clinical practice?
Discover the AIMED methodology – practical training for physicians who want to create, not just use, technology.
Closing thoughts
The discovery of abaucin marks a milestone at the intersection of AI and antimicrobial development. Shrinking candidate-identification time from years to hours is not an incremental optimization – it is a fundamental shift in the drug-discovery paradigm.
◆ Novidades
- A Semana em Que a IA Começou a Agir — GPT‑6 Astra, Claude Fable 5.1 e a Fronteira Antes da AGI
- O Software Que Muda Depois de Aprovado — e o Vão Entre o CFM e a ANVISA Que Ninguém Nomeou
- Memória Inteligente: o que a ciência da aprendizagem realmente sustenta