به گزارش سلامت نیوز به نقل از nature، مقاومت آنتیبیوتیکی یکی از جدیترین تهدیدهای سلامت در قرن بیستویکم به شمار میرود. باکتریها بهتدریج در برابر داروهای موجود مقاوم میشوند و همین موضوع درمان بسیاری از عفونتها را دشوارتر کرده است. اکنون پژوهشگران امیدوارند هوش مصنوعی بتواند مسیر کشف آنتیبیوتیکهای جدید را متحول کند.
آنتیبیوتیکها اگرچه در درمان عفونتهای باکتریایی بسیار مؤثر هستند، اما اغلب بهصورت گسترده عمل میکنند و علاوه بر باکتریهای بیماریزا، میکروارگانیسمهای مفید بدن را نیز از بین میبرند. این مسئله نهتنها میتواند به سلامت بیماران آسیب برساند، بلکه احتمال ظهور سویههای مقاوم به دارو را نیز افزایش میدهد.
جستوجوی آنتیبیوتیکهای دقیقتر
در سال ۲۰۲۳، «جاناتان استوکس» میکروبیولوژیست دانشگاه مکمستر کانادا و همکارانش به دنبال یافتن ترکیباتی بودند که بتوانند با دقت بیشتری باکتریهای بیماریزا را هدف قرار دهند.
آنها حدود ۱۰ هزار ترکیب زیستفعال را علیه نوعی باکتری اشریشیا کلی (E. coli) که عامل عفونتهای شدید رودهای است، بررسی کردند. پس از غربالگریهای متعدد، تنها یک مولکول امیدوارکننده باقی ماند؛ مولکولی که «انتروولولین» نام گرفت.
اما پرسش اصلی این بود که آیا این ترکیب فقط باکتری هدف را از بین میبرد یا مانند بسیاری از آنتیبیوتیکهای رایج، طیف گستردهای از میکروبها را نابود میکند؟
نقش هوش مصنوعی در شناسایی سازوکار داروها
برای پاسخ به این سؤال، پژوهشگران از ابزاری مبتنی بر هوش مصنوعی به نام DiffDock استفاده کردند. این سامانه میتواند پیشبینی کند که یک مولکول کوچک چگونه به پروتئینهای مختلف متصل میشود و از این طریق هدف احتمالی دارو و نحوه عملکرد آن را مشخص کند.
به کمک این فناوری، محققان توانستند مسیر آزمایشهای خود را کوتاهتر کرده و در مدت زمان کمتری سازوکار اثر انتروولولین را شناسایی کنند.
بحرانی که جهان را تهدید میکند
علاقه «رجینا بارزیلای»، دانشمند علوم کامپیوتر در مؤسسه فناوری ماساچوست (MIT)، به حوزه آنتیبیوتیکها ریشهای شخصی دارد. پدر او به یک عفونت شدید ستون فقرات مبتلا شد و یکی دیگر از اعضای خانوادهاش از عفونتی جان سالم به در برد که به هیچ آنتیبیوتیکی پاسخ نمیداد.
او میگوید:«ما همیشه تصور میکردیم آنتیبیوتیکها از ما محافظت میکنند، اما این محافظت بسیار شکنندهتر از چیزی است که فکر میکنیم.»
برآوردها نشان میدهد عفونتهای مقاوم به دارو ممکن است تا سال ۲۰۵۰ موجب مرگ دستکم ۳۹ میلیون نفر در سراسر جهان شوند.
کشف آنتیبیوتیک با کمک یادگیری ماشین
بارزیلای و همکارانش در MIT سامانهای به نام Chemprop توسعه دادند که با استفاده از شبکههای عصبی، ارتباط میان ویژگیهای مولکولی و توانایی مهار رشد باکتریها را یاد میگیرد.
این مدل ابتدا با دادههای بیش از ۲۳۰۰ مولکول آموزش دید و سپس میلیونها ترکیب شیمیایی را بررسی کرد. نتیجه این جستوجو کشف ترکیبی به نام «هالیسین» بود؛ آنتیبیوتیکی که توانست علیه چندین باکتری خطرناک و مقاوم به دارو عملکرد چشمگیری از خود نشان دهد.
اهمیت دادههای باکیفیت
متخصصان تأکید میکنند موفقیت مدلهای هوش مصنوعی به کیفیت دادههای آموزشی وابسته است.
«مولی بارتلت»، پژوهشگر کالج امپریال لندن، میگوید برای ساخت یک مدل قابل اعتماد، دادهها باید شامل طیف گستردهای از مولکولها باشند؛ هم ترکیبات موفق و هم نمونههای ناموفق. به گفته او، اگر دادههای آموزشی تنوع کافی نداشته باشند، مدل قادر به پیشبینی دقیق نخواهد بود.
احیای مولکولهای موجودات منقرضشده
یکی از جذابترین کاربردهای هوش مصنوعی در این حوزه، پروژهای است که توسط «سزار دِ لا فوئنته» در دانشگاه پنسیلوانیا هدایت میشود. تیم او سامانهای به نام APEX را توسعه داده که میتواند میلیونها پپتید طبیعی را بررسی کرده و ترکیباتی با قابلیت ضدباکتریایی بالا شناسایی کند.
جالب آنکه بخشی از این مولکولها از پروتئینهای موجودات منقرضشده استخراج شدهاند؛ از جمله تنبل غولپیکر، گونههای باستانی گیاهان و جانوران دیگر.
پژوهشگران بیش از ۳۷ هزار پپتید امیدوارکننده را شناسایی کردند و آزمایشها نشان داد بسیاری از آنها دارای سازوکارهایی متفاوت از آنتیبیوتیکهای رایج هستند؛ ویژگیای که میتواند احتمال بروز مقاومت دارویی را کاهش دهد.
طراحی داروهایی که هرگز در طبیعت وجود نداشتهاند
گام بعدی حتی جاهطلبانهتر است. پژوهشگران اکنون از مدلهای مولد هوش مصنوعی برای طراحی مولکولهایی استفاده میکنند که تاکنون در طبیعت وجود نداشتهاند.
سامانهای به نام ApexGO قادر است بر اساس یک الگوی اولیه، مولکولهای کاملاً جدیدی تولید کند که برای مبارزه با عوامل بیماریزا بهینه شدهاند.
دانشمندان سپس بهترین گزینهها را در آزمایشگاه تولید و روی سلولها و مدلهای حیوانی آزمایش میکنند. تاکنون حدود ۸۶ درصد از مولکولهای ساختهشده با این روش، علیه حداقل یک عامل بیماریزا فعالیت ضدباکتریایی نشان دادهاند.
چالشهای پیش رو
با وجود پیشرفتهای چشمگیر، هنوز موانع مهمی وجود دارد. بسیاری از مولکولهایی که توسط هوش مصنوعی طراحی میشوند، ساختارهایی دارند که تولید آنها در دنیای واقعی بسیار دشوار، پرهزینه یا حتی غیرممکن است.
با این حال، کارشناسان معتقدند ترکیب توان پردازشی هوش مصنوعی با دانش زیستشناسی و شیمی دارویی میتواند مسیر توسعه نسل جدید آنتیبیوتیکها را هموار کند و امید تازهای برای مقابله با بحران جهانی مقاومت آنتیبیوتیکی به وجود آورد.