AI jósolja meg, vajon patogén-e egy új baktérium

A DTU (Technical University of Denmark) kutatói egy olyan mesterséges intelligencia alapú eszközt fejlesztettek ki, amely képes megállapítani, hogy egy ismeretlen baktérium hordoz‑e olyan genetikai jellemzőket, amelyek kórokozó képességre utalnak. Ez a megközelítés lehetővé teheti a potenciálisan veszélyes kórokozók azonosítását még azelőtt, hogy emberi fertőzést okoznának, ami jelentősen javíthatja a járványügyi felkészültséget. A PathogenFinder2 nevű új MI‑rendszert fejlesztése nemzetközi együttműködés keretében történt, az eredmények pedig a Bioinformatics folyóiratban jelentek meg. A fejlesztés célja nem csupán a már ismert kórokozók pontosabb jellemzése volt, hanem annak megítélése is, hogy egy eddig ismeretlen baktérium milyen mértékben jelenthet fenyegetést – akár még az első fertőzés megjelenése előtt. Ez a hatóságok számára lehetőséget teremthet a megelőző beavatkozásokra, nem csupán a járványokra adott reakciókra.

A PathogenFinder2 a Global Pathogen Analysis Platform (GPAP) részeként ingyenesen elérhető online eszköz. A kutatók szerint alkalmazható szennyvízminták, egészséges emberek vagy állatok vizsgálatára is, így a potenciálisan patogén baktériumok már korai stádiumban felismerhetők, ami megalapozhatja diagnosztikai tesztek, vakcinák vagy terápiás módszerek időben történő fejlesztését. A kórokozók azonosítása azonban nem egyszerű feladat: a környezetünkben élő baktériumok túlnyomó többsége ártalmatlan, sőt sokuk kifejezetten hasznos az emberi egészség szempontjából. A klímaváltozás, az ökoszisztémák átalakulása és a mikrobiális diverzitás egyre szélesebb körű feltárása miatt a kutatók ma több új baktériummal találkoznak, mint valaha, és ezek jelentős része ismeretlen.

A hagyományos módszerek, amelyek laboratóriumi kísérletekre támaszkodnak, lassúak, költségesek és gyakran nem adnak egyértelmű eredményt. A számítógépes megközelítések gyorsabbak, de többségük a már ismert kórokozókhoz való hasonlóságot vizsgálja, ami nem működik olyan esetekben, amikor egy baktériumnak nincs közeli rokona. A PathogenFinder2 ezzel szemben új stratégiát alkalmaz: olyan nagy nyelvi modellekre épül, amelyek több millió fehérjeszekvencián tanulva képesek felismerni olyan biokémiai mintázatokat, amelyeket a hagyományos módszerek nem érzékelnek. A modell így teljes bakteriális genomokat tud értelmezni, és különösen jól teljesít olyan fajok esetében, amelyekkel a tudomány korábban még nem találkozott. Emellett magyarázatot ad arra is, hogy mely fehérjék járultak hozzá a kockázati besoroláshoz.

A rendszer nem csupán előrejelzést készít, hanem kiemeli azokat a fehérjéket, amelyek a legnagyobb mértékben befolyásolták az értékelést. Ezek között lehetnek ismert virulenciafaktorok – például toxinok vagy sejtfelszíni kötődési struktúrák –, de olyan, eddig nem jellemzett fehérjék is, amelyek szerepe a fertőzésben még ismeretlen. Ez a fajta értelmezhetőség új lehetőségeket nyit a diagnosztikai célpontok, vakcinafejlesztési stratégiák és fertőzési mechanizmusok kutatásában.

A modell fejlesztéséhez a kutatók minden eddiginél nagyobb, több mint 21 ezer bakteriális genomot tartalmazó adatbázist állítottak össze, amelyben szerepeltek humán fertőzésekből izolált törzsek, az egészséges mikrobiom tagjai, probiotikus kultúrák, élelmiszeriparban használt baktériumok és extrém környezeti tényezők között élő fajok is. Ez a sokszínű adatbázis tette lehetővé, hogy a rendszer megbízhatóan tegyen különbséget ártalmatlan és potenciálisan veszélyes baktériumok között, még akkor is, ha egy teljesen új fajjal találkozik.

Írásunk az alábbi közlemények alapján készült:

New AI tool assesses the potential threat posed by new bacteria

Whole-genome prediction of bacterial pathogenic capacity on novel bacteria using protein language models with PathogenFinder2

Irodalmi hivatkozás:

Florensa, A. F., et al. (2026). Whole-genome prediction of bacterial pathogenic capacity on novel bacteria using protein language models with PathogenFinder2. Bioinformatics. DOI: 10.1093/bioinformatics/btag129. https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btag129/8532520?