Η αντίσταση στα αντιβιοτικά αποτελεί μεγάλη απειλή για την ανθρώπινη υγεία σε παγκόσμιο επίπεδο. Σχετίζεται άμεσα με τον θάνατο 1,27 εκατομμυρίων ανθρώπων το 2019, ενώ την ίδια χρονιά συνέβαλε στον θάνατο σχεδόν άλλων 5 εκατομμυρίων. Καμία νέα οικογένεια αντιβιοτικών δεν αναπτύχθηκε τις τελευταίες δεκαετίες, καθώς το κόστος για την ανακάλυψη τέτοιων ουσιών είναι μεγάλο και τα φαρμακευτικά μονοπώλια δεν επενδύουν αρκετά ώστε να προχωρήσει πιο γρήγορα η σχετική έρευνα.
Ερευνητική ομάδα του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης (MIT) και του Πανεπιστημίου Χάρβαρντ, χρησιμοποιώντας ένα είδος Τεχνητής Νοημοσύνης (ΤΝ) που ονομάζεται βαθιά μηχανική μάθηση, έλεγξε εκατομμύρια χημικές ενώσεις για ενδεχόμενη αντιβιοτική δράση. Από τα αποτελέσματα που έδωσε η ΤΝ διάλεξαν 283 υποσχόμενες ενώσεις και τις δοκίμασαν σε ποντίκια, βρίσκοντας αρκετές που ήταν αποτελεσματικές απέναντι στον ανθεκτικό στη μεθυκυλίνη Staphylococcus aureus (MRSA) και απέναντι στον ανθεκτικό στη βανκομυκίνη εντερόκοκκο, δύο από τα πιο δύσκολο να εξοντωθούν παθογόνα.
Σε αντίθεση με τα τυπικά μοντέλα ΤΝ, που λειτουργούν σαν «μαύρα κουτιά», το μοντέλο που χρησιμοποίησαν οι ερευνητές («εξηγήσιμη ΤΝ») τους επέτρεπε να δουν τη συλλογιστική του και να κατανοήσουν τη βιοχημεία πίσω από τις επιλογές του. Τέτοια μοντέλα μπορεί στο μέλλον να κάνουν την ΤΝ έναν νέο κλάδο της μηχανικής. Στη μηχανική μπορείς πάντα να αποσυναρμολογήσεις τα κομμάτια που απαρτίζουν ένα σύστημα και να κατανοήσεις τι κάνει το καθένα.
Οι ουσίες που ανακαλύφθηκαν αποτελούν μια ολόκληρη νέα οικογένεια αντιβιοτικών. Με τις συμβατικές μεθόδους χρειάζονται περίπου 12 χρόνια μέχρι την ανακάλυψη ενός νέου αντιβιοτικού, στα οποία πρέπει να προστεθούν 3 έως 6 χρόνια για την ανακάλυψη κλινικά αξιοποιήσιμων μορφών του, και μετά πρέπει να πραγματοποιηθούν οι τρεις φάσεις των κλινικών δοκιμών.
