انقلابی در کشف آنتی بیوتیک: قدرت یادگیری قابل توضیح

انقلابی در کشف آنتی بیوتیک: قدرت یادگیری قابل توضیح -دانشمندان با استفاده از هوش مصنوعی و یادگیری عمیق قابل توضیح دسته ای از آنتی بیوتیک ها را کشف کرده اند که برای اولین بار در 60 سال گذشته بوده است.

 این کلاس جدید، موثر در برابر پاتوژن های مقاوم به چند دارو، پتانسیل هوش مصنوعی را در انقلابی کردن کشف دارو و مبارزه با مقاومت آنتی بیوتیکی به نمایش می گذارد.

محققان MIT ، مؤسسه گسترده MIT و هاروارد، علوم زیستی مجتمع، مؤسسه مهندسی بیولوژیکی الهام گرفته از Wyss و مؤسسه تحقیقات پلیمری لایب‌نیتس کلاس ساختاری جدیدی از آنتی‌بیوتیک‌ها را شناسایی کرده‌اند.

دانشمندان یکی از اولین کلاس‌های جدید آنتی‌بیوتیک‌ها را کشف کرده‌اند که در ۶۰ سال گذشته شناسایی شده‌اند، و اولین آن‌ها با استفاده از یک پلت‌فرم مجهز به هوش مصنوعی ساخته‌شده بر اساس یادگیری عمیق قابل توضیح کشف شده‌اند.

این مقاله با عنوان «کشف یک کلاس ساختاری از آنتی‌بیوتیک‌ها با یادگیری عمیق قابل توضیح» که امروز، 20 دسامبر در  نیچر منتشر شد، توسط تیمی متشکل از 21 محقق، به سرپرستی فلیکس وانگ، دکتری، تالیف شد.

یکی از بنیانگذاران علوم زیستی یکپارچه و دکتر جیمز ج. کالینز، پروفسور ترمیر مهندسی پزشکی و علوم در MIT و رئیس هیئت مدیره مشاوره علمی یکپارچه علوم زیستی.

همکاران دیگر شامل محققان مؤسسه فناوری ماساچوست (MIT)، مؤسسه Broad MIT و هاروارد، مؤسسه Wyss برای مهندسی الهام گرفته از زیست‌شناسی، و مؤسسه تحقیقات پلیمری لایب‌نیتس در درسدن، آلمان بودند.

رویکرد نوآورانه در کشف مواد مخدر

در مطالعه خود، محققان بیش از 12 میلیون ترکیب کاندید را برای شناسایی این دسته جدید از آنتی بیوتیک ها که پتانسیل مقابله با مقاومت آنتی بیوتیکی را نشان می دهد، به طور مجازی غربالگری کردند.

در این رویکرد پیشگامانه، تیم محققان مدل‌های یادگیری عمیق را بر روی داده‌های تولید شده تجربی برای پیش‌بینی فعالیت آنتی‌بیوتیکی و سمیت هر ترکیبی آموزش دادند.

 نویسندگان با الهام از هوش مصنوعی مورد استفاده در زمینه‌های دیگر، از جمله فناوری بازی‌های AlphaGo شرکت DeepMind، مدل‌های جدیدی را طراحی کردند تا توضیح دهند کدام بخش‌های یک مولکول برای فعالیت آنتی‌بیوتیک مهم است.

نتیجه شناسایی دسته جدیدی از آنتی بیوتیک ها با فعالیت قوی در برابر پاتوژن های مقاوم به چند دارو بود.

 در یک سری از آزمایش‌ها، محققان یک آنتی‌بیوتیک کاندید را در مدل‌های موشی عفونت MRSA آزمایش کردند و دریافتند که هم به صورت موضعی و هم از نظر سیستمی مؤثر است، که نشان می‌دهد این ترکیب می‌تواند برای توسعه بیشتر به عنوان درمانی برای عفونت‌های باکتریایی شدید و مرتبط با سپسیس مناسب باشد. .

پیامدها برای توسعه دارو در آینده

دکتر وونگ گفت: “این کشف یک کلاس جدید از آنتی بیوتیک ها یک نتیجه پیشرفت است که نشان می دهد هوش مصنوعی و یادگیری عمیق قابل توضیح به طور منحصر به فردی قادر به تسریع کشف دارو هستند.” 

کار ما چندین مدل پرقدرت را برای پیش‌بینی دقیق فعالیت آنتی‌بیوتیکی و سمیت در دسترس عموم قرار می‌دهد.

 نکته مهم این است که این یکی از اولین نمایش‌هایی است که مدل‌های یادگیری عمیق می‌توانند آنچه را که پیش‌بینی می‌کنند توضیح دهند، با پیامدهای فوری و گسترده در مورد چگونگی انجام کشف دارو و اینکه چگونه می‌توانیم داروهای جدید را با استفاده از هوش مصنوعی پیدا کنیم.»

دکتر کالینز گفت: «این یک تأیید مهم است که نشان می‌دهد ادغام هوش مصنوعی و یادگیری عمیق قابل توضیح چقدر برای غلبه بر برخی از چالش‌برانگیزترین چالش‌های پزشکی، در این مورد مقاومت آنتی‌بیوتیکی، اهمیت دارد.

 با تکیه بر این مطالعات معتبر و رویکردهای مشابه، تیم یکپارچه علوم زیستی آماده است تا ادغام زیست‌شناسی مصنوعی و درک عمیق استرس سلولی را برای رفع نیاز برآورده نشده قابل توجه برای درمان‌های جدید که بیماری‌های مرتبط با سن را هدف قرار می‌دهند، تسریع بخشد.

Satotaka Omori، Ph.D.، عضو موسس و رئیس زیست شناسی پیری در Integrated Biosciences، و یکی از نویسندگان مشارکت کننده در انتشار، گفت: «یک مفهوم مهم این مطالعه این است که مدل های یادگیری عمیق در کشف دارو می توانند، و در بسیاری از موارد باید قابل توضیح باشد.

 در حالی که هوش مصنوعی همچنان به تأثیرگذاری خود ادامه می دهد، همچنین توسط بسیاری از مدل های جعبه سیاه که معمولاً استفاده می شوند محدود شده است و فرآیند تصمیم گیری اساسی را مبهم می کند.

 با باز کردن این جعبه‌های سیاه، هدف ما ایجاد بینش‌های قابل تعمیم بیشتر است که ممکن است در تسریع استفاده و توسعه رویکردهای نسل بعدی برای کشف دارو مفیدتر باشد.

آلیسیا لی، یکی از همکاران تحقیقاتی در Integrated Biosciences و یکی از نویسندگان این نشریه، افزود: «این واقعاً هیجان‌انگیز است که ببینیم چگونه توانسته‌ایم روش جدیدی را برای پیش‌بینی مفید بودن یک ترکیب به عنوان آنتی‌بیوتیک نشان دهیم.

اینکه این ترکیب در آزمایشات فاز I پیشرفت خواهد کرد، و اینکه آیا این ترکیب یکی از اعضای بالقوه بسیاری دیگر در یک کلاس جدید از داروها است یا خیر.

Integrated Biosciences مجموعه‌ای از تحقیقات را ایجاد کرده است که علاوه بر این  نشریه  جدید Nature  ، شامل یک  مقاله پیری طبیعت  است که در ماه مه منتشر شد که نشان می‌دهد چگونه می‌توان از هوش مصنوعی برای کشف senolytics جدید، ترکیبات ضد پیری که به طور انتخابی سلول‌های پیر «زامبی» را حذف می‌کنند، استفاده کرد.

 این ترکیبات در توانایی خود در درمان بیماری‌های مرتبط با افزایش سن، مانند فیبروز، التهاب و سرطان، نویدبخش هستند.

مقاله ای  از Cell Systems  که در ژوئیه منتشر شد، یک پلت فرم مبتنی بر زیست شناسی مصنوعی را نشان داد که به انسان اجازه می دهد تا بر پاسخ های استرس مرتبط با افزایش سن کنترل کند و صفحه نمایش داروها را برای هدف قرار دادن پیری فعال می کند.

انقلابی در کشف آنتی بیوتیک: قدرت یادگیری قابل توضیح

مهندس حمید تدینی: نویسنده و وبلاگ نویس مشهور، متخصص در زبان برنامه نویسی و هوش مصنوعی و ساکن آلمان است. مقالات روشنگر او به پیچیدگی های این زمینه ها می پردازد و به خوانندگان درک عمیقی از مفاهیم پیچیده فناوری ارائه می دهد. کار او به دلیل وضوح و دقت مشهور است.