محققان MIT با استفاده از هوش مصنوعی، گروهی جدید از مواد ضد باکتریایی را شناسایی کردند. این مواد قادر به کشتن باکتری‌های مقاوم به آنتی بیوتیک متی سیلین هستند، به ویژه باکتری استافیلوکوکوس اورئوس (MRSA) که می‌تواند عفونت‌های خطرناکی ایجاد کند.
محققان دانشگاه MIT با بهره‌گیری از هوش مصنوعی و یادگیری عمیق، گروهی از ترکیبات را کشف کردند که می‌توانند باکتری‌های مقاوم به دارو را از بین ببرند. این باکتری‌ها سالانه بیش از ۱۰۰۰۰ مورد مرگ در ایالات متحده را ناشی از عفونت‌های خطرناک ایجاد می‌کنند.
در تحقیقاتی که امروز در مجله Nature منتشر شد، نتایج نشان دادند که این ترکیبات قادر به نابودی باکتری‌های مقاوم به متی‌سیلین هستند، به خصوص استافیلوکوکوس اورئوس (MRSA) که در آزمایشگاه و در دو مدل موشی با عفونت MRSA رشد کرده بودند. علاوه بر این، این ترکیبات دارای سمیت کمی نسبت به سلول‌های انسانی بودند، که این مسئله آنها را به عنوان کاندیدهای خوبی برای توسعه داروها مطرح می‌کند.
در مطالعه جدید، محققان موفق به تشخیص نوع اطلاعاتی شدند که مدل یادگیری عمیق برای پیش‌بینی قدرت آنتی‌بیوتیک‌ها از آن استفاده می‌کند. این بررسی نشان می‌دهد که مدل‌ها از نظر ساختار شیمیایی، زمانی، کارآمدی منابع، و مکانیک به دقت مولکول‌های موثر در ساخت آنتی‌بیوتیک را می‌پیش‌بینند. این برداشت جدید به محققان کمک می‌کند تا بهترین داروهای ضد باکتری را طراحی و توسعه دهند.
در این زمینه، پروفسور جیمز کالینز از موسسه مهندسی و علوم پزشکی MIT، به همراه فلیکس وانگ و اریکا ژنگ از موسسه Broad MIT و دانشکده پزشکی هاروارد، نقش اساسی داشته‌اند. این تحقیق جزو پروژه آنتی‌بیوتیک-AI است که هدایت آن توسط کالینز انجام شده و هدف آن کشف کلاس‌های جدید آنتی‌بیوتیک برای مقابله با هفت نوع باکتری کشنده است.
پیش بینی ها :
باکتری MRSA، که هر ساله بیش از 80000 نفر را در ایالات متحده به عنوان قربانیان خود انتخاب می‌کند، معمولاً عفونت‌های پوستی یا ذات الریه ایجاد می‌کند. در موارد شدید، ممکن است به سپسیس منجر شود که یک عفونت خطرناک جریان خون است.
تحقیقات اخیر نشان می‌دهد که تیم تحقیقاتی تحت رهبری پروفسور جیمز کالینز از کلینیک ام آی تی عبداللطیف جمیل، از یادگیری عمیق در زمینه سلامت (کلینیک جمیل) بهره‌مند شده‌اند. این تیم از یادگیری عمیق برای کشف ترکیبات جدیدی که می‌توانند علیه باکتری Acinetobacter baumannii (که به طور متداول در بیمارستان‌ها یافت می‌شود) و دیگر باکتری‌های مقاوم به داروها موثر باشند، استفاده کرده‌اند.
در این روش، مدل‌های یادگیری عمیق به طور خودکار ساختارهای شیمیایی مرتبط با فعالیت ضدمیکروبی را شناسایی می‌کنند. سپس این مدل‌ها میلیون‌ها ترکیب دیگر را ارزیابی کرده و پیش‌بینی‌هایی ایجاد می‌کنند که کدام ترکیب ممکن است فعالیت ضدمیکروبی قوی داشته باشد.
این جستجوها نتایج موثری داشته‌اند، اما یکی از محدودیت‌های این رویکرد این است که مدل‌ها به عنوان "جعبه‌های سیاه" شناخته می‌شوند؛ به این معنا که هیچ راهی برای درک اینکه مدل‌ها بر اساس چه ویژگی‌هایی پیش‌بینی انجام می‌دهند، وجود ندارد. اگر دانشمندان می‌دانستند چگونه مدل‌ها پیش‌بینی می‌کنند، امکان شناسایی یا طراحی آنتی‌بیوتیک‌های اضافی برای آنها آسان‌تر می‌شد.
ونگ اظهار داشته است: "کاری که در این مطالعه انجام دادیم، به معنای باز کردن جعبه‌های سیاه بود. این مدل‌ها از تعداد بسیار زیادی محاسبات تشکیل شده‌اند که اتصالات عصبی را شبیه‌سازی می‌کنند و هیچ‌کس واقعاً نمی‌داند که در زیر پوش مدل‌ها چه اتفاقی می‌افتد."
ابتدا، محققان یک مدل یادگیری عمیق را با استفاده از مجموعه داده‌های گسترده‌تر آموزش دادند. آنها این داده‌های آموزشی را با آزمایش حدود 39000 ترکیب برای فعالیت آنتی‌بیوتیکی علیه MRSA تولید کردند و سپس این داده‌ها را به همراه اطلاعاتی در مورد ساختارهای شیمیایی ترکیبات به مدل دادند.
وونگ می‌گوید: «شما می‌توانید اساساً هر مولکولی را به عنوان یک ساختار شیمیایی نشان دهید، و همچنین به مدل بگویید که آیا آن ساختار شیمیایی ضد باکتری است یا نه». «این مدل بر روی نمونه‌های زیادی از این دست آموزش داده شده است. اگر هر مولکول جدیدی به آن بدهید، آرایش جدیدی از اتم ها و پیوندها، می‌تواند به شما احتمال دهد که پیش‌بینی می شود آن ترکیب ضد باکتری است.
برای اینکه بفهمند این مدل چگونه پیش‌بینی‌های خود را انجام می‌دهد، محققان الگوریتمی به نام جستجوی درخت مونت کارلو را تطبیق دادند که برای کمک به توضیح بیشتر مدل‌های یادگیری عمیق، مانند AlphaGo، استفاده شده است. این الگوریتم جستجو به مدل اجازه می‌دهد تا نه تنها تخمینی از فعالیت ضد میکروبی هر مولکول، بلکه پیش‌بینی کند که زیرساختارهای مولکول احتمالاً آن فعالیت را محاسبه می‌کنند.
فعالیت قوی در این زمینه :
برای محدود کردن بیشتر مجموعه داروهای کاندید، محققان سه مدل یادگیری عمیق اضافی را آموزش دادند تا پیش‌بینی کنند که آیا این ترکیبات برای سه نوع مختلف سلول انسانی سمی هستند یا خیر. با ترکیب این اطلاعات با پیش‌بینی‌های فعالیت ضد میکروبی، محققان ترکیباتی را کشف کردند که می‌توانند میکروب‌ها را از بین ببرند در حالی که کمترین اثرات نامطلوب بر بدن انسان دارند.
با استفاده از این مجموعه از مدل ها، محققان حدود 12 میلیون ترکیب را غربال کردند که همه آنها به صورت تجاری در دسترس هستند. از این مجموعه، مدل‌ها ترکیباتی را از پنج کلاس مختلف بر اساس زیرساخت‌های شیمیایی درون مولکول‌ها شناسایی کردند که پیش‌بینی می‌شد در برابر MRSA فعال باشند.
محققان حدود 280 ترکیب را خریداری کردند و آنها را در برابر MRSA که در یک ظرف آزمایشگاهی رشد می‌کرد، آزمایش کردند و به آنها اجازه داد دو مورد از یک کلاس را شناسایی کنند که به نظر می‌رسید نامزدهای آنتی‌بیوتیکی بسیار امیدوارکننده‌ای باشند. در آزمایشات روی دو مدل موش، یکی عفونت پوستی MRSA و دیگری عفونت سیستمیک MRSA، هر یک از این ترکیبات جمعیت MRSA را 10 برابر کاهش داد.
آزمایش‌ها نشان داد که به نظر می‌رسد این ترکیبات با ایجاد اختلال در توانایی آنها برای حفظ گرادیان الکتروشیمیایی در غشای سلولی، باکتری‌ها را از بین می‌برند. این گرادیان برای بسیاری از عملکردهای حیاتی سلول، از جمله توانایی تولید ATP (مولکول هایی که سلول ها برای ذخیره انرژی استفاده می کنند) مورد نیاز است. یک کاندید آنتی بیوتیکی که آزمایشگاه کالینز در سال 2020 کشف کرد، هالیسین، به نظر می رسد با مکانیسم مشابهی کار می کند، اما مخصوص باکتری های گرم منفی (باکتری هایی با دیواره های سلولی نازک) است. MRSA یک باکتری گرم مثبت با دیواره سلولی ضخیم تر است.
وانگ می‌گوید: «ما شواهد بسیار قوی داریم که نشان می‌دهد این کلاس ساختاری جدید با از بین بردن انتخابی نیروی محرکه پروتون در باکتری‌ها در برابر پاتوژن‌های گرم مثبت فعال است. مولکول ها به طور انتخابی به غشای سلولی باکتری حمله می کنند، به گونه ای که آسیب قابل توجهی به غشای سلولی انسان وارد نمی کند. رویکرد یادگیری عمیق تقویت‌شده ما به ما این امکان را می‌دهد تا این کلاس ساختاری جدید آنتی‌بیوتیک‌ها را پیش‌بینی کنیم و این امکان را فراهم کنیم که دریابیم که این آنتی‌بیوتیک برای سلول‌های انسانی سمی نیست.
محققان یافته‌های خود را با Phare Bio، یک سازمان غیرانتفاعی که توسط کالینز و دیگران به عنوان بخشی از پروژه آنتی‌بیوتیک-AI آغاز شده است، به اشتراک گذاشته‌اند. سازمان غیرانتفاعی اکنون قصد دارد تجزیه و تحلیل دقیق‌تری از خواص شیمیایی و استفاده بالقوه بالینی این ترکیبات انجام دهد. در همین حال، آزمایشگاه کالینز در حال کار بر روی طراحی نامزدهای دارویی اضافی بر اساس یافته‌های مطالعه جدید و همچنین استفاده از مدل‌ها برای جستجوی ترکیباتی است که می‌تواند انواع دیگر باکتری‌ها را از بین ببرد.
وانگ می‌گوید: «ما در حال حاضر از رویکردهای مشابه مبتنی بر زیرساخت‌های شیمیایی برای طراحی ترکیبات جدید استفاده می‌کنیم، و البته، می‌توانیم به آسانی این رویکرد را برای کشف کلاس‌های جدیدی از آنتی‌بیوتیک‌ها علیه پاتوژن‌های مختلف اتخاذ کنیم.»
علاوه بر MIT، هاروارد و مؤسسه براد، مؤسسات مشارکت‌کننده مقاله عبارتند از Integrated Biosciences, Inc.، مؤسسه Wyss برای مهندسی الهام‌گرفته از زیست‌شناسی، و مؤسسه تحقیقات پلیمر لایب‌نیتس در درسدن، آلمان. این تحقیق توسط بنیاد جیمز اس. مک دانل، موسسه ملی آلرژی و بیماری های عفونی ایالات متحده، بنیاد ملی علوم سوئیس، برنامه کمک هزینه تحصیلی Banting، بنیاد فولکس واگن، آژانس کاهش تهدیدات دفاعی، موسسه ملی بهداشت ایالات متحده، تامین مالی شد. و موسسه براد پروژه Antibiotics-AI توسط پروژه Audacious، آزمایشگاه آنفولانزا، بنیاد Sea Grape، بنیاد Wyss و یک اهداکننده ناشناس تامین مالی می شود.