هنگامی که یک آنتی بیوتیک شکست می خورد: دانشمندان MIT از هوش مصنوعی برای هدف قرار دادن باکتری های “خواب زده” استفاده می کنند

از دهه 1970، اکتشاف آنتی بیوتیک مدرن با آرامش روبرو شده است. اکنون سازمان بهداشت جهانی بحران مقاومت ضد میکروبی را به عنوان یکی از 10 تهدید بزرگ جهانی برای سلامت عمومی اعلام کرده است.

هنگامی که عفونت به طور مکرر درمان می شود، پزشکان در معرض خطر مقاوم شدن باکتری ها به آنتی بیوتیک ها هستند. اما چرا عفونت پس از درمان مناسب آنتی بیوتیکی عود می کند؟ یکی از احتمالات به خوبی مستند شده این است که باکتری ها از نظر متابولیکی بی اثر می شوند و از تشخیص آنتی بیوتیک های سنتی که فقط به فعالیت متابولیک پاسخ می دهند فرار می کنند. وقتی خطر از بین رفت، باکتری ها زنده می شوند و عفونت دوباره ظاهر می شود.

جکی والری، عضو سابق MIT-Takeda (مرکز در کلینیک ام آی تی عبداللطیف جمیل برای یادگیری ماشینی در سلامت) که اخیراً دکترای خود را در رشته بیولوژی دریافت کرده است، می گوید: «مقاومت در طول زمان بیشتر اتفاق می افتد و عفونت های مکرر به دلیل این خواب است. مهندسی از آزمایشگاه کالینز والری اولین نویسنده مقاله جدیدی است که در این ماه منتشر شده است print موضوع از زیست شناسی شیمیایی سلولی این نشان می دهد که چگونه یادگیری ماشینی می تواند به غربالگری ترکیباتی که برای باکتری های خفته کشنده هستند کمک کند.

داستان‌های انعطاف‌پذیری «خواب‌مانند» باکتریایی برای جامعه علمی به سختی خبری نیست – گونه‌های باکتریایی باستانی که قدمت آن به 100 میلیون سال پیش برمی‌گردد در سال‌های اخیر زنده در حالت صرفه‌جویی در انرژی کشف شده‌اند. روی بستر دریای اقیانوس آرام

جیمز ج. کالینز، سرپرست دانشکده علوم زیستی کلینیک MIT Jameel، پروفسور ترمیر مهندسی پزشکی و علوم در موسسه مهندسی پزشکی و علوم MIT و گروه مهندسی بیولوژیکی، اخیراً برای استفاده از هوش مصنوعی برای کشف کلاس جدیدی از آنتی‌بیوتیک‌ها خبرساز شده است. بخشی از ماموریت بزرگتر این گروه برای استفاده از هوش مصنوعی برای گسترش چشمگیر آنتی بیوتیک های موجود است.

طبق مقاله ای که توسط لانستدر سال 2019، اگر عفونت‌ها مستعد ابتلا به داروها بودند، می‌توان از 1.27 میلیون مرگ پیشگیری کرد و یکی از چالش‌های بسیاری که محققان با آن روبرو هستند، یافتن آنتی‌بیوتیک‌هایی است که قادر به هدف قرار دادن باکتری‌های غیرفعال متابولیکی هستند.

در این مورد، محققان آزمایشگاه کالینز از هوش مصنوعی برای افزایش سرعت استفاده کردند process یافتن خواص آنتی بیوتیکی در ترکیبات دارویی شناخته شده با میلیون ها مولکول، process ممکن است سال ها طول بکشد، اما محققان به لطف توانایی هوش مصنوعی در انجام غربالگری با توان بالا، توانستند ترکیبی به نام semapimod را در یک آخر هفته شناسایی کنند.

یک داروی ضد التهابی که معمولاً برای بیماری کرون استفاده می شود، محققان دریافتند که semapimod در برابر فاز ثابت نیز مؤثر است. اشرشیاکلی و اسینتوباکتر بومانی.

کشف دیگر توانایی semapimod در مختل کردن غشای باکتری‌های به اصطلاح “گرم منفی” بود که به دلیل مقاومت ذاتی بالای خود در برابر آنتی‌بیوتیک‌ها به دلیل غشای خارجی ضخیم‌تر و کمتر نفوذپذیرشان شناخته می‌شوند.

نمونه هایی از باکتری های گرم منفی عبارتند از E. coli، A. baumannii، سالمونلا، و سودومونیس، یافتن آنتی بیوتیک های جدید برای همه آنها چالش برانگیز است.

یکی از راه‌هایی که مکانیسم سما را کشف کردیم [sic] والری توضیح می‌دهد که ساختار آن واقعاً بزرگ بود و چیزهای دیگری را به ما یادآوری می‌کرد که غشای بیرونی را هدف قرار می‌دهند. هنگامی که شما شروع به کار با بسیاری از مولکول های کوچک می کنید … برای چشم ما، این یک ساختار بسیار منحصر به فرد است.

سماپیمود با ایجاد اختلال در بخشی از غشای خارجی، باکتری های گرم منفی را به داروهایی که معمولاً فقط در برابر باکتری های گرم مثبت فعال هستند، حساس می کند.

والری نقل قولی از یک مقاله در سال 2013 را به یاد می آورد روندهای بیوتکنولوژی: برای عفونت های گرم مثبت به داروهای بهتری نیاز داریم، اما برای عفونت های گرم منفی به هر دارویی نیاز داریم.