Forschende der Royal Botanic Gardens, Kew (UK), des SIB und der Universität Freiburg (Schweiz) sowie weitere Partner veröffentlichten in Frontiers eine neue Studie, laut der maschinelles Lernen helfen könnte, die Suche nach Pflanzen mit Anti-Malaria-Eigenschaften zu beschleunigen. Als reiche Quelle bioaktiver Substanzen haben Pflanzen die Grundlage oder die Inspiration für die Entwicklung zahlreicher Arzneimittel geliefert. So werden beispielsweise Chinin und Artemisinin, zwei zentrale Arzneimittel, die in der Behandlung von Malaria eingesetzt werden, aus Pflanzen gewonnen.

Die Spreu vom Weizen trennen
Angesichts der Tatsache, dass es schätzungsweise 343'000 verschiedene Arten von Gefässpflanzen gibt, kann die Identifizierung von Pflanzen mit Anti-Plasmodium-Substanzen zeitraubend und kostspielig sein. Im Rahmen der neuen Studie versuchten Wissenschaftler_innen herauszufinden, ob ML-Modelle mit Daten zu Pflanzenmerkmalen trainiert werden können, um die Anti-Plasmodium-Aktivität von Pflanzen vorherzusagen. Hierzu untersuchten sie drei Familien von Blütenpflanzen – Apocynaceae, Loganiaceae und Rubiaceae –, die zusammen 21'100 Arten umfassen. Die Forschenden wendeten verschiedene Methoden an, um die Wirksamkeit von Algorithmen des maschinellen Lernens zu demonstrieren, und verglichen die jeweilige Leistung mit anderen Ansätzen, die oft bei der Auswahl von Pflanzen eingesetzt werden, um Quellen bioaktiver Substanzen zu finden.

Die Natur, eine wahre Apotheke
Die Expert_innen kamen zu dem Schluss, dass die Techniken einen vielversprechenden Ansatz bieten, um die Vorhersagefähigkeit für Pflanzen mit Anti-Plasmodium-Eigenschaften zu verbessern, was wiederum die Suche nach neuen Substanzen, die für Arzneimittel von Interesse sind, erheblich beschleunigen könnte. Die Forschenden schätzen, dass 7677 Arten in den drei Familien weiter untersucht werden sollten und dass mindestens 1300 aktive Anti-Plasmodium-Arten bei konventionellen Ansätzen übersehen worden sein könnten.

«Unsere Studie zeigt, dass maschinelles Lernen das notwendige Werkzeug bietet, um wissenschaftliches Wissen über Pflanzen und deren traditionelle Verwendungen in einem prädiktiven Framework zu vereinen, das für zukünftige Tests und Forschungsprojekte Orientierung geben kann. Die biologische Vielfalt birgt vermutlich Lösungen für bestehende und künftige weltweite Gesundheitsfragen, und maschinelles Lernen kann in Verbindung mit weiterer stringenter Forschung im Bereich Biologie helfen, dieses Potenzial zu erschliessen», meint der Co-Autor der Studie und SIB-Gruppenleiter Daniele Silvestro von der Universität Freiburg.

Adam Richard-Bollans, Forschungsbeauftragter in den Royal Botanic Gardens, Kew, sagt: «Unsere Ergebnisse werfen ein Licht auf das ungeheure noch ungenutzte Potenzial von Pflanzen für die Herstellung neuer Medikamente. Es gibt schätzungsweise 343'000 bekannte Arten von Gefässpflanzen, die in der Wissenschaft noch weitgehend unerforscht sind, und wir hoffen, dass unser Ansatz des maschinellen Lernens eingesetzt werden kann, um in diesen Pflanzen effizient nach neuen medizinischen Wirkstoffen zu suchen. Die Ergebnisse unterstreichen zudem, wie wichtig es ist, die biologische Vielfalt zu schützen und natürliche Ressourcen nachhaltig zu nutzen, um diese wertvolle Ressource zu bewahren.»

Globale Bedrohung durch Malaria
Malaria ist eine der tödlichsten Krankheiten der Menschheit und bleibt eine bedeutende globale Herausforderung für die öffentliche Gesundheit. Malaria wird durch den Plasmodium-Parasiten verursacht, der durch den Stich infizierter Mücken auf den Menschen übertragen wird. Laut Schätzungen der Weltgesundheitsorganisation (WHO) gab es im Jahr 2021 weltweit 247 Millionen Malariafälle. Resistenzen gegenüber vorhandenen Malariamedikamenten stellen eine wachsende Herausforderung dar. Daher empfiehlt die WHO, die Forschung nach Anti-Malaria-Medikamenten im Rahmen der Anstrengungen zur Erreichung globaler Ziele im Kampf gegen Malaria voranzutreiben.

Zum Artikel «Machine learning to accelerate discovery of antimalarial properties in plants»