25 دسامبر 2023-توسط کریستین دانیلوف برای MIT، از CDC (CC-ND)
محققان MIT با استفاده از نوعی هوش مصنوعی به نام یادگیری عمیق، دسته‌ای از ترکیبات را کشف کرده‌اند که می‌توانند یک باکتری مقاوم به دارو را که هر سال باعث مرگ بیش از 10000 نفر در ایالات متحده می‌شود، از بین ببرد.
در مطالعه‌ای که این هفته در نیچر منتشر شد، محققان نشان دادند که این ترکیبات می‌توانند استافیلوکوکوس اورئوس مقاوم به متی سیلین (MRSA) را که در یک ظرف آزمایشگاهی و در دو مدل موشی عفونت MRSA رشد کرده است، بکشند. این ترکیبات همچنین سمیت بسیار کمی را در برابر سلول های انسانی نشان می دهند که آنها را به ویژه کاندیدای دارویی خوبی می کند.
یک نوآوری کلیدی در مطالعه جدید، می تواند به محققان کمک کند داروهای بیشتری طراحی کنند که ممکن است حتی بهتر از داروهای شناسایی شده توسط این مدل کار کنند.
جیمز کالینز از مؤسسه مهندسی پزشکی MIT می‌گوید: «کار ما چارچوبی را ارائه می‌کند که از نظر ساختار شیمیایی، از نظر ساختار شیمیایی، از نظر زمانی کارآمد، کارآمد از نظر منابع و از نظر مکانیکی روشن‌تر است.
موارد شدید MRSA می تواند منجر به سپسیس، یک عفونت بالقوه کشنده جریان خون شود.
در چند سال گذشته، کالینز و همکارانش در MIT شروع به استفاده از یادگیری عمیق برای یافتن آنتی بیوتیک های جدید کرده اند. کار آنها داروهای بالقوه ای را علیه اسینتوباکتر بومانی، باکتری که اغلب در بیمارستان ها یافت می شود، و بسیاری دیگر از باکتری های مقاوم به دارو تولید کرده است.
این مدل‌ها میلیون‌ها ترکیب را غربال کردند و پیش‌بینی‌هایی را ایجاد کردند که کدام یک ممکن است فعالیت ضد میکروبی قوی داشته باشند.
این نوع جستجوها مثمر ثمر بوده اند، اما یکی از محدودیت های این رویکرد این است که مدل ها «جعبه سیاه» هستند، به این معنی که هیچ راهی برای دانستن اینکه مدل بر اساس پیش بینی هایش بر اساس چه ویژگی هایی است، وجود ندارد. اگر دانشمندان می دانستند که مدل ها چگونه پیش بینی های خود را انجام می دهند، شناسایی یا طراحی آنتی بیوتیک های اضافی برای آنها آسان تر می شد.
وونگ می‌گوید: «کاری که در این مطالعه انجام دادیم، باز کردن جعبه سیاه بود. این مدل‌ها از تعداد بسیار زیادی محاسبات تشکیل شده‌اند که اتصالات عصبی را تقلید می‌کنند و هیچ‌کس واقعاً نمی‌داند که پشت درب چه می‌گذرد.»
مدل یادگیری عمیق این داده‌های آموزشی را با آزمایش حدود 39000 ترکیب برای فعالیت آنتی‌بیوتیکی علیه MRSA تولید کرد و سپس این داده‌ها را به همراه اطلاعاتی در مورد ساختارهای شیمیایی ترکیبات وارد مدل کرد.
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، می تواند به شما احتمال دهد که پیش بینی 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.
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 انتخاب کردند و آنها را در برابر MRSA که در یک ظرف آزمایشگاهی رشد می‌کردند، 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.
