محققان MIT با استفاده از یک الگوریتم یادگیری ماشین ترکیب آنتی‌بیوتیکی جدیدی را شناسایی کرده‌اند. در تست‌های آزمایشگاهی، این دارو بسیاری از باکتری‌های عامل بیماری از جمله برخی از سویه‌ها که به تمام آنتی‌بیوتیک‌های شناخته شده مقاوم هستند و همچنین عفونت‌های ایجاد شده در دو مدل موشی مختلف را از بین برد.

این مدل رایانه‌ای که می‌تواند بیش از صد میلیون ترکیب شیمیایی را در طی چند روز غربال‌گری کند، به گونه‌ای طراحی شده است که آنتی بیوتیک‌های بالقوه‌ای را انتخاب کند که باکتری‌ها را با استفاده از مکانیسم‌های متفاوت از آن‌چه که آنتی‌بیوتیک‌ها برای از بین بردن باکتری‌ها استفاده می‌کنند از بین ببرند.

جیمز کالینز استاد مهندسی پزشکی و علوم در انستیتوی مهندسی پزشکی و علوم MIT و دپارتمان مهندسی زیستی می‌گوید: “ما می‌خواستیم پلتفرم‌هایی را ایجاد کنیم که به ما امکان استفاده از قدرت هوش مصنوعی را در کشف نسل جدید داروهای آنتی‌بیوتیکی می‌دهد. رویکرد ما مولکول شگفت‌انگیزی را شناسایی کرد که مسلماً یکی از قوی‌ترین آنتی‌بیوتیک‌هایی است که کشف شده است.”

محققان در مطالعه جدید خود چندین نامزد امیدوارکننده آنتی‌بیوتیکی دیگر را نیز شناسایی کردند که قصد دارند آزمایش‌های بیشتری را روی آن‌ها انجام دهند. آن‌ها بر این باورند که این مدل همچنین می‌تواند براساس آنچه که آموزش دیده است در مورد ساختارهای شیمیایی که به داروها توانایی از بین بردن بیماری را می‌دهند، برای طراحی داروهای جدید مورد استفاده قرار گیرد.

رجینا بارزیلی استاد علوم کامپیوتر و مهندسی الکتریکی در آزمایشگاه هوش مصنوعی و علوم کامپیوتر MIT می‌گوید: مدل یادگیری ماشین قادر هستند به طور محاسباتی فضاهای شیمیایی بزرگ را که می‌تواند برای رویکردهای تجربی سنتی بسیار گران‌قیمت باشد را کشف کند.

طی چند دهه گذشته، تعداد بسیار کمی آنتی بیوتیک جدید تولید شده است و بسیاری از آنتی‌بیوتیک‌های تازه تأییدشده تفاوت جزئی با داروهای موجود دارند. روش‌های فعلی برای غربالگری آنتی‌بیوتیک‌های جدید اغلب از نظر هزینه‌ای بسیار گران است و نیاز به یک سرمایه‌گذاری قابل توجه داشته و معمولاً تنوع شیمیایی پایینی نیز دارند.

کالینز در تلاش برای یافتن ترکیبات کاملاً جدید، تیمی را تشکیل داد با همکاری برزیلی، استاد تامی جاکوکا و دانشجویان آن‌ها کوین یانگ، کایل سوانسون و ونگونگ جین که قبلاً یک سری مدل رایانه‌ای یادگیری ماشین را تهیه کرده‌اند که می‌توانند برای تجزیه و تحلیل ساختارهای مولکولی ترکیبات و ارتباط آن‌ها با صفات خاص مانند توانایی کشتن باکتری‌ها آموزش ببینند.

ایده استفاده از مدل‌های رایانه‌ای پیش‌بینی‌کننده برای غربالگری محاسباتی چیز جدیدی نیست اما تاکنون این مدل‌ها به اندازه کافی دقیق نبودند تا روند کشف دارو را تغییر دهند. پیش از این مولکول‌ها به عنوان وکتورهای بازتاب‌کننده حضور یا عدم حضور گروه‌های شیمیایی خاص معرفی می‌شدند. با این‌حال شبکه‌های عصبی جدید می‌توانند این بازنمودها را به طور خودکار یاد بگیرند، و از نگاشت مولکول‌ها در وکتورهای مداوم برای پیش‌بینی خواص آن‌ها استفاده کنند.

در این مورد محققان مدل خود را برای جستجوی آن دسته از ویژگی‌های شیمیایی مولکول‌ها که در کشتن باکتری E. coli مؤثر هستند، طراحی کردند. برای انجام این کار آن‌ها این مدل را با حدود 2500 مولکول از جمله در حدود 1700 داروی مورد تأیید FDA و مجموعه‌ای از 800 محصول طبیعی با ساختارهای متنوع و طیف گسترده‌ای از فعالیت‌های زیستی آموزش دادند.

به محض این که مدل آموزش داده شد، محققان در مرکز پژوهش‌های موقعیت‌یابی مجدد دارو مؤسسه بورد، آن را بر روی كتابخانه‌ای در حدود 6000 تركیب آزمایش كردند. این مدل یک مولکول را انتخاب کرد که پیش‌بینی می‌شد فعالیت ضدباکتریایی خوبی داشته باشد و نیز دارای یک ساختار شیمیایی متفاوت از دیگر آنتی‌بیوتیک موجود است. محققان با استفاده از یک مدل یادگیری ماشین متفاوت نشان دادند که این مولکول احتمالاً سمیت کمی برای سلول‌های انسانی دارد.

این مولکول که محققان تصمیم گرفتند آن را هالیسین بنامند، قبلاً به عنوان داروی احتمالی دیابت مورد بررسی قرار گرفته است. محققان آن را در برابر ده‌ها باکتری جدا شده از بیماران و در پلیت‌های آزمایشگاهی آزمایش کردند و دریافتند که این ماده قادر است بسیاری از باکتری‌های مقاوم به درمان از جمله کلستریدیوم دیفیسیل، آسینتوباکتر بومانی و مایکوباکتریوم توبرکلوزیس را از بین ببرد. این دارو بر علیه هر گونه‌ای که تا کنون آزمایش شده است به استثنای سودوموناس آئروژینوزا، قابل درمان است.

پژوهشگران برای آزمایش اثربخشی هالیسین در حیوانات زنده از آن برای درمان موش‌‌های آلوده به باکتری آسینتوباکتر بومانی استفاده کرده‌اند که بسیاری از سربازان آمریکایی مستقر در عراق و افغانستان را آلوده کرده است. سویه‌ای از آسینتوباکتر بومانی که آن‌ها استفاده کردند در برابر همه آنتی‌بیوتیک‌های شناخته شده مقاوم است اما استفاده از پماد حاوی هالیسین باعث از بین رفتن عفونت‌ها طی 24 ساعت شد.

مطالعات اولیه حاکی از آن است که هالسین با مختل کردن توانایی باکتری‌ها برای حفظ شیب الکتروشیمیایی در غشاهای سلولی، آن‌ها را از بین می‌برد. در میان دیگر عملکردهای باکتری، این شیب برای تولید ATP (مولکولی که سلول‌ها برای ذخیره انرژی از آن استفاده می‌کنند) ضروری است بنابراین اگر شیب از بین برود سلول‌ها می‌میرند. محققان می‌گویند این نوع مکانیسم کشتار می‌تواند در برابر باکتری‌های مقاوم مؤثر باشد.

استوکس می‌گوید: “هنگامی که شما با مولکولی سر و کار دارید که احتمالاً با اجزای غشایی در ارتباط است، یک سلول لزوماً نمی‌تواند یک جهش منفرد یا زوج را برای تغییر شیمیایی غشای خارجی بدست آورد. جهش‌هایی شبیه این که منجر به این تغییر می‌شود از نظر تکاملی بسیار پیچیده‌تر هستند.”

در این مطالعه محققان دریافتند که E. coli در طی یک دوره 30 روزه درمانی هیچ‌گونه مقاومت به هالسین ایجاد نمی‌کند. در مقابل باکتری‌ها نسبت به آنتی‌بیوتیک سیپروفلوکساسین در طی یک یا سه روز مقاومت ایجاد می‌کنند و پس از 30 روز باکتری‌ها در حدود 200 برابر به سیپروفلوکساسین نسبت به ابتدای آزمایش مقاومت بیشتری نشان دادند.

محققان قصد دارند با امید استفاده این دارو برای انسان، مطالعات بیشتری را با همکاری یک شرکت داروسازی یا سازمان غیرانتفاعی بر روی هالسین انجام دهند.

محققان همچنین پس از شناسایی هالیسین، از مدل خود برای غربالگری بیش از 100 میلیون مولکول انتخاب شده از بانک اطلاعاتی ZINC15 که یک مجموعه آنلاین از حدود 1.5 میلیارد ترکیب شیمیایی است استفاده کردند. در این غربالگری که تنها سه روز به طول انجامید، 23 نامزد که از نظر ساختاری با آنتی‌بیوتیک‌های موجود متفاوت بودند و پیش‌بینی می‌شد که برای سلول‌های انسانی غیرسمی هستند، شناسایی شد.

در تست‌های آزمایشگاهی علیه پنج گونه باکتریایی، محققان دریافتند که هشت مولکول فعالیت ضدباکتریایی از خود نشان داده و دو مولکول دیگر به طور ویژه‌ای تأثیر قوی داشتند. محققان اکنون قصد دارند این مولکول‌ها را بیشتر آزمایش کنند و همچنین غربالگری بیشتری از بانک اطلاعاتی ZINC15 انجام دهند.

محققان همچنین قصد دارند از مدل خود برای طراحی آنتی‌بیوتیک‌های جدید و بهینه‌سازی مولکول‌های موجود استفاده کنند. به عنوان مثال آن‌ها می‌توانند این مدل را با اضافه کردن ویژگی‌هایی که باعث می‌شود یک آنتی‌بیوتیک خاص تنها باکتری خاصی را هدف قرار دهد، آموزش دهند و از کشتن باکتری‌های مفید در دستگاه گوارش بیمار جلوگیری کنند.

منبع خبر: phys.org