شناسایی دسته جدیدی از آنتی بیوتیک ها با استفاده از هوش مصنوعی

محققان MIT با استفاده از نوعی هوش مصنوعی به نام یادگیری عمیق، گروهی از ترکیبات را کشف کرده اند که می توانند یک باکتری مقاوم به دارو را که سالانه باعث مرگ بیش از ۱۰ هزار نفر در ایالات متحده می شود، از بین ببرند.

در مطالعه ای که امروز در Nature منتشر شد، محققان نشان دادند که این ترکیبات می توانند استافیلوکوک اورئوس مقاوم به متی سیلین (MRSA)را که در یک ظرف آزمایشگاهی و در دو مدل موش مبتلا به عفونت MRSA رشد کرده بود، از بین ببرند. این ترکیبات همچنین سمیت بسیار کمی در برابر سلول های انسانی از خود نشان می دهند و آن ها را به ویژه نامزدهای دارویی خوبی تبدیل می کنند.

نوآوری کلیدی مطالعه جدید این است که محققان همچنین توانستند بفهمند مدل یادگیری عمیق از چه نوع اطلاعاتی برای پیش بینی قدرت آنتی بیوتیکی خود استفاده می کند. این دانش می تواند به محققان کمک کند تا داروهای بیشتری طراحی کنند که ممکن است حتی بهتر از داروهای شناسایی شده توسط مدل عمل کنند.

” بینشی که در اینجا وجود داشت این بود که ما می توانستیم ببینیم مدل ها چه چیزهایی یاد می گیرند تا پیش بینی کنند که مولکول های خاصی آنتی بیوتیک های خوبی می سازند. جیمز کالینز، استاد مهندسی پزشکی و علوم در موسسه مهندسی پزشکی و علوم MIT (IMES)و دپارتمان مهندسی زیستی می گوید: ” کار ما چارچوبی را فراهم می کند که از نقطه نظر ساختار شیمیایی، به شیوه هایی که تا به امروز نداشته ایم، کارآمد، منابع کارآمد، و از نظر مکانیکی روشنگر است.”

فلیکس وانگ، فوق دکترا در IMES و موسسه براد MIT و هاروارد، و اریکا ژنگ، دانشجوی فارغ التحصیل سابق دانشکده پزشکی هاروارد که توسط کالینز توصیه شده بود، نویسندگان اصلی این مطالعه هستند، که بخشی از پروژه آنتی بیوتیک – AI در MIT است. ماموریت این پروژه که توسط کالینز رهبری می شود، کشف کلاس های جدیدی از آنتی بیوتیک ها علیه هفت نوع باکتری کشنده، در طول هفت سال است.

پیش بینی های قابل توضیح

MRSA که سالانه بیش از ۸۰ هزار نفر را در ایالات متحده آلوده می کند، اغلب باعث عفونت پوستی یا ذات الریه می شود. موارد شدید می تواند منجر به سپسیس، عفونت بالقوه مرگبار جریان خون شود.

در طول چند سال گذشته، کالینز و همکارانش در کلینیک عبداللطیف جمیل MIT برای یادگیری ماشینی در سلامت (کلینیک جمیل)استفاده از یادگیری عمیق را برای یافتن آنتی بیوتیک های جدید آغاز کرده اند. کار آن ها باعث تولید داروهای بالقوه علیه Acinetobacter Baumannii، باکتری که اغلب در بیمارستان ها یافت می شود و بسیاری از باکتری های مقاوم به دارو شده است.

این ترکیبات با استفاده از مدل های یادگیری عمیق شناسایی شدند که می توانند شناسایی ساختارهای شیمیایی مرتبط با فعالیت ضد میکروبی را یاد بگیرند. سپس این مدل ها میلیون ها ترکیب دیگر را بررسی می کنند و پیش بینی می کنند که کدام یک از آن ها ممکن است فعالیت ضد میکروبی قوی داشته باشند.

این نوع جستجوها ثمربخش بوده اند، اما یک محدودیت در این روش این است که مدل ها “جعبه های سیاه” هستند، به این معنی که هیچ راهی برای دانستن اینکه مدل براساس پیش بینی های خود چه ویژگی هایی دارد، وجود ندارد. اگر دانشمندان می دانستند که این مدل ها چگونه پیش بینی های خود را انجام می دهند، شناسایی یا طراحی آنتی بیوتیک های اضافی برای آن ها آسان تر می شد.

وانگ می گوید: ” آنچه ما در این مطالعه قصد داشتیم انجام دهیم، باز کردن جعبه سیاه بود. این مدل ها شامل تعداد بسیار زیادی محاسبات هستند که ارتباطات عصبی را تقلید می کنند و هیچ کس واقعا نمی داند که در زیر کلاه چه می گذرد.”

ابتدا، محققان یک مدل یادگیری عمیق را با استفاده از مجموعه داده های بسیار گسترده آموزش دادند. آن ها این داده های آموزشی را با آزمایش حدود ۳۹ هزار ترکیب برای فعالیت آنتی بیوتیکی علیه MRSA تولید کردند و سپس این داده ها به علاوه اطلاعات مربوط به ساختارهای شیمیایی ترکیبات را به مدل تزریق کردند.

وانگ می گوید: ” شما اساسا می توانید هر مولکولی را به عنوان یک ساختار شیمیایی نشان دهید، و همچنین به مدل بگویید که آیا آن ساختار شیمیایی آنتی باکتریال است یا خیر. اگر مولکول جدیدی به آن بدهید، آرایش جدیدی از اتم ها و پیوندها، می تواند احتمال ضد باکتری بودن آن ترکیب را به شما بگوید.”

محققان برای فهمیدن اینکه این مدل چگونه پیش بینی های خود را انجام می دهد، الگوریتمی به نام جستجوی درخت مونت کارلو را به کار گرفتند که برای کمک به قابل توضیح تر کردن دیگر مدل های یادگیری عمیق مانند آلفاگو مورد استفاده قرار گرفته است. این الگوریتم جستجو به مدل اجازه می دهد که نه تنها تخمینی از فعالیت ضد میکروبی هر مولکول، بلکه پیش بینی کند که کدام زیر ساختارهای مولکول احتمالا برای آن فعالیت در نظر گرفته می شوند.

فعالیت بالقوه

محققان برای محدود کردن بیشتر مخزن داروهای کاندید، سه مدل یادگیری عمیق دیگر را آموزش دادند تا پیش بینی کنند که آیا این ترکیبات برای سه نوع مختلف از سلول های انسانی سمی هستند یا خیر. محققان با ترکیب این اطلاعات با پیش بینی های فعالیت ضد میکروبی، ترکیباتی را کشف کردند که می توانند میکروب ها را بکشند در حالی که کم ترین اثرات سو را بر بدن انسان دارند.

محققان با استفاده از این مجموعه مدل ها حدود ۱۲ میلیون ترکیب را بررسی کردند که همه آن ها به صورت تجاری در دسترس هستند. از این مجموعه، مدل ها ترکیباتی از پنج کلاس مختلف را براساس ساختارهای شیمیایی درون مولکول ها شناسایی کردند که پیش بینی می شد در برابر MRSA فعال باشند.

محققان حدود ۲۸۰ ترکیب را خریداری کردند و آن ها را در برابر MRSA که در یک ظرف آزمایشگاهی رشد کرده بود، آزمایش کردند و به آن ها اجازه دادند تا دو ترکیب از یک کلاس را شناسایی کنند که به نظر می رسید کاندیداهای آنتی بیوتیک بسیار امیدوارکننده ای باشند. در آزمایش ها در دو مدل موش، یکی از عفونت های پوستی MRSA و یکی از عفونت های سیستمیک MRSA، هر کدام از این ترکیبات جمعیت MRSA را تا ضریب ۱۰ کاهش دادند.

آزمایش ها نشان داد که به نظر می رسد این ترکیبات با مختل کردن توانایی آن ها برای حفظ شیب الکتروشیمیایی در طول غشاهای سلولی، باکتری ها را می کشند. 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. به نظر می رسد یک کاندیدای آنتی بیوتیک که آزمایشگاه کالینز در سال ۲۰۲۰ کشف کرد، هالیسین، با مکانیسم مشابهی کار می کند اما مختص باکتری های گرم منفی (باکتری هایی با دیواره سلولی نازک)است. MRSA یک باکتری گرم مثبت با دیواره های سلولی ضخیم تر است.

وانگ می گوید: ” ما شواهد بسیار قوی داریم که این طبقه ساختاری جدید با از بین بردن انتخابی نیروی محرک پروتون در باکتری ها در برابر پاتوژن های گرم مثبت فعال است. مولکول ها به صورت انتخابی به غشاهای سلولی باکتری حمله می کنند، به گونه ای که آسیب قابل توجهی را در غشاهای سلولی انسان متحمل نمی شوند. رویکرد یادگیری عمیق ما به ما اجازه داد تا این کلاس ساختاری جدید از آنتی بیوتیک ها را پیش بینی کنیم و این کشف را ممکن ساخت که این آنتی بیوتیک علیه سلول های انسانی سمی نیست.”

محققان یافته های خود را با Phare Bio، یک سازمان غیرانتفاعی که توسط کالینز و دیگران به عنوان بخشی از پروژه آنتی بیوتیک – AI آغاز شده است، به اشتراک گذاشته اند. این سازمان غیرانتفاعی اکنون قصد دارد تحلیل دقیق تری از خواص شیمیایی و استفاده بالینی بالقوه از این ترکیبات انجام دهد. در همین حال، آزمایشگاه کالینز در حال کار بر روی طراحی کاندیداهای دارویی بیشتر براساس یافته های مطالعه جدید و همچنین استفاده از مدل ها برای جستجوی ترکیباتی است که می توانند انواع دیگر باکتری ها را بکشند.

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 موسسه براد، موسسات مشارکت کننده در این مقاله، شرکت علوم زیستی یکپارچه، موسسه مهندسی زیستی وایس و موسسه تحقیقات پلیمر لایبنیتز در درسدن آلمان هستند. بودجه این تحقیق توسط جیمز اس. بنیاد مک دانل، موسسه ملی آلرژی و بیماری های عفونی آمریکا، بنیاد ملی علوم سوئیس، برنامه هم کاری های بانتینگ، بنیاد فولکس واگن، آژانس کاهش تهدید دفاعی، موسسه ملی بهداشت آمریکا و موسسه براد. پروژه آنتی بیوتیک ها – AI توسط پروژه جسورانه، آزمایشگاه فلو، بنیاد انگور دریایی، بنیاد ویس و یک اهدا کننده ناشناس تامین مالی می شود.

منبع : MIT News