طب وصحة
الذكاء الاصطناعي يساعد في تحديد مضادات حيوية تقتل البكتيريا المقاومة للأدوية
لندن- عربي21
22-Dec-23
07:34 AM
شارك
قال موقع "تيك
اكسبلوريست"؛ إن دراسة جديدة لمعهد ماساتشوستس استخدمت تكنولوجيا الذكاء
الاصطناعي، للعثور على فئة من المركبات التي يمكنها قتل البكتيريا المقاومة
للأدوية، التي تسبب أكثر من 10000 حالة وفاة في الولايات المتحدة كل عام.
وأظهر الباحثون أن هذه المركبات يمكن أن تقتل المكورات العنقودية الذهبية المقاومة للميثيسيلين (MRSA) في أطباق المختبر ونموذجين من الفئران المصابة بعدوىMRSA. والجدير بالذكر أن هذه المركبات تظهر سُمّية منخفضة ضد الخلايا البشرية، مما يجعلها مرشحة واعدة لتطوير الأدوية.
وأحد الجوانب الجديرة بالملاحظة في هذه الدراسة، هو أن الباحثين حددوا المعلومات التي يستخدمها نموذج التعلم العميق للتنبؤ بفعالية المضادات الحيوية لهذه المركبات. يمكن أن يساعد هذا الفهم الباحثين في تصميم أدوية جديدة، قد تكون أكثر فعالية من تلك التي حددها النموذج في البداية.
ويقدم هذا العمل إطارا فعالا من حيث الوقت والموارد، وذا رؤية ميكانيكية ثاقبة من وجهة نظر البنية الكيميائية، بطرق لم نشهدها حتى الآن.
تعد المكورات العنقودية الذهبية المقاومة للميثيسيلين (MRSA)، سببا لعدوى المكورات العنقودية التي يصعب علاجها بسبب مقاومتها لبعض المضادات الحيوية.
واستخدم الباحثون في معهد ماساتشوستس للتكنولوجيا التعلم العميق للعثور على مضادات حيوية جديدة في السنوات الأخيرة. لقد اكتشفوا أدوية محتملة ضد البكتيريا مثل الراكدة البومانية (Acinetobacter baumannii)، الموجودة عادة في المستشفيات، وغيرها من السلالات المقاومة للأدوية. يتم تدريب نماذج التعلم العميق على التعرف على الهياكل الكيميائية المرتبطة بالنشاط المضاد للميكروبات، وغربلة ملايين المركبات للتنبؤ بالمركبات الفعالة.
ومع ذلك، يتمثل التحدي في أن هذه النماذج تشبه "الصناديق السوداء"، فنحن لا نعرف ما هي الميزات التي تستخدمها للتنبؤات. إذا فهم الباحثون كيفية عمل النماذج، فسيكون العثور على المزيد من المضادات الحيوية أو تصميمها أسهل.
ويهدف الباحثون في هذه الدراسة إلى فتح هذا الصندوق الأسود. لقد قاموا بتدريب نموذج التعلم العميق باستخدام مجموعات بيانات موسعة بشكل كبير للقيام بذلك. ولتدريب نموذج التعلم العميق الخاص بهم، اختبر الباحثون حوالي 39000 مركب لمعرفة ما إذا كان لديهم نشاط مضاد حيوي ضد MRSA. وقاموا بتزويد النموذج ببيانات الاختبار هذه، بما في ذلك تفاصيل حول التركيب الكيميائي للمركبات.
ولفهم كيفية قيام النموذج بالتنبؤات، استخدم الباحثون خوارزمية بحث شجرة مونت كارلو، هذه الخوارزمية التي تم استخدامها سابقا لتعزيز إمكانية الشرح في نماذج التعلم العميق الأخرى مثل AlphaGo، تمكن النموذج من تقدير النشاط المضاد للميكروبات لكل جزيء. بالإضافة إلى ذلك، فهو يتنبأ بالبنى التحتية المحددة للجزيء التي من المحتمل أن تكون مسؤولة عن هذا النشاط.
وقام الباحثون بتدريب ثلاثة نماذج أخرى للتعلم العميق، للتحقق مما إذا كانت المركبات قد أضرت بأنواع مختلفة من الخلايا البشرية. ومن خلال الجمع بين هذه البيانات والتنبؤات المضادة للميكروبات، وجدوا مجموعات يمكنها قتل الميكروبات بأقل قدر من الضرر للخلايا البشرية.
وقاموا بتحليل حوالي 12 مليون مركب متاح باستخدام هذه النماذج، وحددوا المركبات النشطة من خمس فئات ضد MRSA. قاموا بشراء واختبار 280 مركبا، واكتشفوا مضادين حيويين واعدين من نفس الفئة. في نماذج الفئران المصابة بعدوى MRSA الجلدية والالتهابات الجهازية، خفضت هذه المركبات بشكل كبير بكتيريا MRSA.
وأظهرت التجارب أن هذه المركبات من المحتمل أن تقتل البكتيريا عن طريق تعطيل قدرتها على الحفاظ على التوازن الكهروكيميائي الحرج عبر أغشية الخلايا، وهو أمر حيوي لمختلف وظائف الخلايا. تشبه هذه الآلية مضاد الهاليسين المضاد الحيوي الذي تم اكتشافه في عام 2020، لكن هذه المركبات الجديدة تستهدف البكتيريا إيجابية الغرام مثل MRSA.
قال فيليكس وونغ، باحث ما بعد الدكتوراة في معهد الهندسة الطبية والعلوم ومعهد برود التابعين لمعهد ماساتشوستس للتكنولوجيا وجامعة هارفارد: "لدينا أدلة قوية جدا على أن هذه الطبقة الهيكلية الجديدة نشطة ضد مسببات الأمراض إيجابية الغرام، عن طريق تبديد القوة الدافعة للبروتون في البكتيريا بشكل انتقائي. تهاجم الجزيئات أغشية الخلايا البكتيرية بشكل انتقائي بطريقة لا تسبب ضررا كبيرا لأغشية الخلايا البشرية. لقد سمح لنا نهج التعلم العميق المعزز بشكل كبير لدينا بالتنبؤ بهذه الفئة الهيكلية الجديدة من المضادات الحيوية، ومكننا من اكتشاف أنها ليست سامة ضد الخلايا البشرية.
وقد شارك الباحثون النتائج التي توصلوا إليها مع Phare Bio، وهي منظمة غير ربحية أنشأها كولينز وآخرون كجزء من مشروع Antibiotics-AI، تخطط المنظمة غير الربحية لإجراء تحليل أكثر تفصيلا للخصائص الكيميائية لهذه المركبات والاستخدام السريري المحتمل.
وأظهر الباحثون أن هذه المركبات يمكن أن تقتل المكورات العنقودية الذهبية المقاومة للميثيسيلين (MRSA) في أطباق المختبر ونموذجين من الفئران المصابة بعدوىMRSA. والجدير بالذكر أن هذه المركبات تظهر سُمّية منخفضة ضد الخلايا البشرية، مما يجعلها مرشحة واعدة لتطوير الأدوية.
وأحد الجوانب الجديرة بالملاحظة في هذه الدراسة، هو أن الباحثين حددوا المعلومات التي يستخدمها نموذج التعلم العميق للتنبؤ بفعالية المضادات الحيوية لهذه المركبات. يمكن أن يساعد هذا الفهم الباحثين في تصميم أدوية جديدة، قد تكون أكثر فعالية من تلك التي حددها النموذج في البداية.
ويقدم هذا العمل إطارا فعالا من حيث الوقت والموارد، وذا رؤية ميكانيكية ثاقبة من وجهة نظر البنية الكيميائية، بطرق لم نشهدها حتى الآن.
تعد المكورات العنقودية الذهبية المقاومة للميثيسيلين (MRSA)، سببا لعدوى المكورات العنقودية التي يصعب علاجها بسبب مقاومتها لبعض المضادات الحيوية.
واستخدم الباحثون في معهد ماساتشوستس للتكنولوجيا التعلم العميق للعثور على مضادات حيوية جديدة في السنوات الأخيرة. لقد اكتشفوا أدوية محتملة ضد البكتيريا مثل الراكدة البومانية (Acinetobacter baumannii)، الموجودة عادة في المستشفيات، وغيرها من السلالات المقاومة للأدوية. يتم تدريب نماذج التعلم العميق على التعرف على الهياكل الكيميائية المرتبطة بالنشاط المضاد للميكروبات، وغربلة ملايين المركبات للتنبؤ بالمركبات الفعالة.
ومع ذلك، يتمثل التحدي في أن هذه النماذج تشبه "الصناديق السوداء"، فنحن لا نعرف ما هي الميزات التي تستخدمها للتنبؤات. إذا فهم الباحثون كيفية عمل النماذج، فسيكون العثور على المزيد من المضادات الحيوية أو تصميمها أسهل.
ويهدف الباحثون في هذه الدراسة إلى فتح هذا الصندوق الأسود. لقد قاموا بتدريب نموذج التعلم العميق باستخدام مجموعات بيانات موسعة بشكل كبير للقيام بذلك. ولتدريب نموذج التعلم العميق الخاص بهم، اختبر الباحثون حوالي 39000 مركب لمعرفة ما إذا كان لديهم نشاط مضاد حيوي ضد MRSA. وقاموا بتزويد النموذج ببيانات الاختبار هذه، بما في ذلك تفاصيل حول التركيب الكيميائي للمركبات.
ولفهم كيفية قيام النموذج بالتنبؤات، استخدم الباحثون خوارزمية بحث شجرة مونت كارلو، هذه الخوارزمية التي تم استخدامها سابقا لتعزيز إمكانية الشرح في نماذج التعلم العميق الأخرى مثل AlphaGo، تمكن النموذج من تقدير النشاط المضاد للميكروبات لكل جزيء. بالإضافة إلى ذلك، فهو يتنبأ بالبنى التحتية المحددة للجزيء التي من المحتمل أن تكون مسؤولة عن هذا النشاط.
وقام الباحثون بتدريب ثلاثة نماذج أخرى للتعلم العميق، للتحقق مما إذا كانت المركبات قد أضرت بأنواع مختلفة من الخلايا البشرية. ومن خلال الجمع بين هذه البيانات والتنبؤات المضادة للميكروبات، وجدوا مجموعات يمكنها قتل الميكروبات بأقل قدر من الضرر للخلايا البشرية.
وقاموا بتحليل حوالي 12 مليون مركب متاح باستخدام هذه النماذج، وحددوا المركبات النشطة من خمس فئات ضد MRSA. قاموا بشراء واختبار 280 مركبا، واكتشفوا مضادين حيويين واعدين من نفس الفئة. في نماذج الفئران المصابة بعدوى MRSA الجلدية والالتهابات الجهازية، خفضت هذه المركبات بشكل كبير بكتيريا MRSA.
وأظهرت التجارب أن هذه المركبات من المحتمل أن تقتل البكتيريا عن طريق تعطيل قدرتها على الحفاظ على التوازن الكهروكيميائي الحرج عبر أغشية الخلايا، وهو أمر حيوي لمختلف وظائف الخلايا. تشبه هذه الآلية مضاد الهاليسين المضاد الحيوي الذي تم اكتشافه في عام 2020، لكن هذه المركبات الجديدة تستهدف البكتيريا إيجابية الغرام مثل MRSA.
قال فيليكس وونغ، باحث ما بعد الدكتوراة في معهد الهندسة الطبية والعلوم ومعهد برود التابعين لمعهد ماساتشوستس للتكنولوجيا وجامعة هارفارد: "لدينا أدلة قوية جدا على أن هذه الطبقة الهيكلية الجديدة نشطة ضد مسببات الأمراض إيجابية الغرام، عن طريق تبديد القوة الدافعة للبروتون في البكتيريا بشكل انتقائي. تهاجم الجزيئات أغشية الخلايا البكتيرية بشكل انتقائي بطريقة لا تسبب ضررا كبيرا لأغشية الخلايا البشرية. لقد سمح لنا نهج التعلم العميق المعزز بشكل كبير لدينا بالتنبؤ بهذه الفئة الهيكلية الجديدة من المضادات الحيوية، ومكننا من اكتشاف أنها ليست سامة ضد الخلايا البشرية.
وقد شارك الباحثون النتائج التي توصلوا إليها مع Phare Bio، وهي منظمة غير ربحية أنشأها كولينز وآخرون كجزء من مشروع Antibiotics-AI، تخطط المنظمة غير الربحية لإجراء تحليل أكثر تفصيلا للخصائص الكيميائية لهذه المركبات والاستخدام السريري المحتمل.
شارك
