آنتی‌بیوتیک‌های قوی کشف‌شده با استفاده از هوش مصنوعی

منتشرشده در: مجله Nature به تاریخ ۲۰ فوریه ۲۰۲۰
نویسنده: Jo Marchant
لینک مقاله اصلی: https://www.nature.com/articles/d41586-020-00018-3

یک روش پیشگامانه یادگیری ماشین، انواع جدید و قدرتمند آنتی‌بیوتیک را از مجموعه‌ای از بیش از ۱۰۰ میلیون مولکول شناسایی کرده‌است - از جمله موردی که در برابر طیف وسیعی از باکتری‌ها، از جمله سل و انواعی که غیرقابل درمان در نظر گرفته می‌شوند، کار می‌کند.

محققان می‌گویند این آنتی‌بیوتیک، که هالسین نامیده می‌شود، اولین آنتی‌بیوتیک کشف‌شده با هوش مصنوعی است. اگر چه هوش مصنوعی قبلا برای کمک به بخش‌هایی از فرآیند کشف آنتی‌بیوتیک مورد استفاده قرار گرفته‌است، آن‌ها می‌گویند که این اولین بار است که انواع کاملا جدیدی از آنتی‌بیوتیک را بدون استفاده از هیچ فرض انسانی قبلی شناسایی می‌کند. این کار، به رهبری زیست‌شناس مصنوعی جیم کالینز در موسسه فن‌آوری ماساچوست در کمبریج، در Cell1 منتشر شده‌است.

جیکوب دورانت، زیست‌شناس محاسباتی در دانشگاه پیتسبورگ، پنسیلوانیا می‌گوید که این مطالعه قابل‌توجه است. او می‌گوید که این تیم نه تنها نامزدها را شناسایی کرد، بلکه مولکول‌های امیدوار کننده را نیز در آزمایش‌ها حیوانی تایید کرد. به گفته دورانت، علاوه بر این، این روش می‌تواند برای انواع دیگر داروها، مانند داروهایی که برای درمان سرطان یا بیماری‌های نورودژنراتیو به کار می‌روند، نیز به کار گرفته شود.

مقاومت باکتری‌ها در برابر آنتی‌بیوتیک‌ها به طور چشمگیری در سراسر جهان در حال افزایش است و محققان پیش‌بینی می‌کنند که اگر داروهای جدید سریعا توسعه نیابد، عفونت‌های مقاوم می‌تواند تا سال ۲۰۵۰ سالانه ۱۰ میلیون نفر را از بین ببرد. اما طی چند دهه گذشته، کشف و تایید قانونی آنتی‌بیوتیک‌های جدید کاهش‌یافته است. کولینز می‌گوید: «مردم همان ملکول‌ها را بارها و بارها پیدا می‌کنند. ما به مواد شیمیایی جدیدی با مکانیسم‌های عمل جدید نیاز داریم.»

فرضیات خود را فراموش کنید

کولینز و تیمش یک شبکه عصبی - یک الگوریتم هوش مصنوعی با الهام از معماری مغز - ایجاد کردند که ویژگی‌های مولکولی اتم را از طریق اتم یاد می‌گیرد.

محققان شبکه عصبی خود را آموزش دادند تا مولکول‌هایی را تشخیص دهند که رشد باکتری اشرشیاکلی را مهار می‌کنند و از مجموعه‌ای از ۲۲۵۵ مولکول استفاده کردند که فعالیت ضدباکتریایی برای آن‌ها شناخته شده‌بود. این شامل کتابخانه‌ای از حدود ۳۰۰ آنتی‌بیوتیک تایید شده و نیز ۸۰۰ محصول طبیعی از منابع گیاهی، حیوانی و میکروبی است.

رجینا بارزیلای، محقق هوش مصنوعی در MIT و یکی از نویسندگان این مطالعه می‌گوید که این الگوریتم یاد می‌گیرد که بدون هیچ فرضی در مورد نحوه کار مواد مخدر و بدون برچسب زدن گروه‌های شیمیایی، عملکرد مولکولی را پیش‌بینی کند. «در نتیجه، این مدل می‌تواند الگوهای جدیدی را بیاموزد که متخصصان انسانی از آن‌ها اطلاعی ندارند.»

هنگامی که این مدل آموزش داده شد، محققان از آن برای نمایش کتابخانه‌ای به نام هاب ضد مواد مخدر استفاده کردند، که حاوی حدود ۶۰۰۰ مولکول تحت بررسی برای بیماری‌های انسانی است. محققان از آن‌ها خواستند تا پیش‌بینی کند که کدام یک بر علیه باکتری E.Coli موثر خواهد بود و فقط مولکول‌هایی را به آن‌ها نشان دهند که متفاوت از آنتی‌بیوتیک‌های سنتی به نظر می‌رسند.

از نتایج به‌دست‌آمده، محققان حدود ۱۰۰ کاندید را برای تست فیزیکی انتخاب کردند. یکی از این ملکول‌ها که به عنوان درمان دیابت مورد بررسی قرار گرفت، آنتی‌بیوتیک قوی بود که به آن هالسین می‌گفتند. عنوان کامپیوتر هوشمند در فیلم ۲۰۰۱: اودیسه فضایی. در تست موش‌ها، این مولکول در برابر طیف وسیعی از پاتوژنها فعال بود، از جمله یک نژاد از کلستریدیوم دیفیسیل و یکی از اکوباکتر بومانی که «مقاوم به پان» است و در مقابل آن به سرعت به آنتی‌بیوتیک‌های جدید نیاز است.

بلوک پروتون

آنتی‌بیوتیک‌ها از طریق مکانیسم‌های مختلفی مثل مسدود کردن آنزیم‌های درگیر در بیوسنتز دیواره سلولی، تعمیر DNA یا سنتز پروتیین کار می‌کنند. اما مکانیزم هالسین غیر مرسوم است: آن جریان پروتون‌ها را در طول غشا سلولی مختل می‌کند. در آزمایش‌ها اولیه بر روی حیوانات، به نظر می‌رسید که این حیوان سمیت پایینی دارد و در برابر مقاومت مقاوم است. کولینز می‌گوید، در آزمایش‌ها، مقاومت در برابر سایر ترکیبات آنتی‌بیوتیک معمولا ظرف یک یا دو روز رخ می‌دهد. اما حتی پس از ۳۰ روز چنین تستی، ما هیچ مقاومتی در برابر هیپریسین ندیدیم. سپس این تیم بیش از ۱۰۷ میلیون ساختار مولکولی را در یک پایگاه‌داده به نام ZINC۱۵ غربال کرد. از لیست ۲۳ تایی، تست‌های فیزیکی ۸ مورد را با فعالیت ضد باکتری شناسایی کردند. دوتا از آن‌ها فعالیت قوی در برابر طیف وسیعی از پاتوژن ها داشتند و حتی توانستند بر سویه‌های مقاوم به آنتی‌بیوتیک E. coli بود.

باب مورفی، زیست‌شناس محاسباتی در دانشگاه کارنگی ملون در پیتسبورگ می‌گوید: «این مطالعه نمونه بزرگی از رشد کار با استفاده از روش‌های محاسباتی برای کشف و پیش‌بینی خواص داروهای بالقوه است» وی اشاره می‌کند که روش‌های هوش مصنوعی قبلا برای استخراج پایگاه‌های داده بزرگ از ژن‌ها و متابولیت ها برای شناسایی انواع مولکولی که می‌توانند شامل آنتی بیوگرام جدید باشند، توسعه‌یافته اند.

اما کالینز و تیم او می‌گویند که رویکرد آن‌ها متفاوت است - به جای جستجوی ساختارهای خاص یا کلاس‌های مولکولی، آن‌ها شبکه خود را آموزش می‌دهند تا به دنبال مولکول‌های با فعالیت خاص بگردند. این تیم اکنون امیدوار است که با یک گروه یا شرکت خارجی هم‌کاری کند تا هالسین را وارد آزمایش‌ها بالینی کند. همچنین می‌خواهد این رویکرد را برای پیدا کردن آنتی‌بیوتیک‌های جدید و طراحی مولکول‌های جدید گسترش دهد. بارزیلای می‌گوید که آخرین کار آن‌ها اثبات مفهوم است. «این مطالعه همه چیز را کنار هم قرار می‌دهد و نشان می‌دهد که چه کاری می‌تواند انجام دهد.»

این مقاله توسط مترجم تخصصی و علمی ترجمیار و به صورت خودکار ترجمه شده و با حداقل ویرایش و بازبینی انسانی منتشر شده است.