محققان دانشگاه استنفورد و مک مستر یک مدل هوش مصنوعی (AI) برای طراحی مولکولهایی ایجاد کردند که مانع از رشد اسینتوباکتر بومانییک باکتری معمولی مقاوم به دارو آنها شش مولکول ساختاری جدید را سنتز و تایید کردند که فعالیت ضد باکتریایی را در برابر A. baumannii و سایر پاتوژن های باکتریایی با تنوع فیلوژنتیکی. این مطالعه گامی مهم به سمت کاربرد عملی رویکردهای هوش مصنوعی مولد برای کشف آنتی بیوتیک و کشف دارو به طور کلی نشان می دهد.
مقاله پژوهشی «هوش مصنوعی مولد برای طراحی و اعتبار سنجی آنتی بیوتیک های به راحتی قابل سنتز و ساختاری جدید،” منتشر شد در هوش ماشین طبیعت.
توقف ESCAPE
یکی از بحرانی ترین مسائل در پزشکی معاصر، گسترش جهانی عوامل موثر در مقاومت آنتی بیوتیکی است. در سال 2019، عفونت های مقاوم به دارو مسئول حدود 4.95 میلیون مرگ و میر بوده است. از آنجایی که آنتی بیوتیک های جدید با سرعت کمتری نسبت به گسترش عوامل تعیین کننده مقاومت ضد میکروبی تولید می شوند، انتظار می رود این رقم تا سال 2050 به 10 میلیون نفر در سال برسد.
شش گونه باکتری به ویژه در برابر داروها خطرناک و مقاوم هستند که به عنوان پاتوژن ESKAPE شناخته می شوند. به گفته سازمان بهداشت جهانی، یکی از این پاتوژن ها، باکتری گرم منفی است A. baumannii، به ویژه در محیط های بالینی سنگین است و بالاترین اولویت برای توسعه آنتی بیوتیک جدید در نظر گرفته می شود. A. baumannii ریشه کن کردن آن بسیار دشوار است و می تواند باعث ذات الریه، مننژیت و عفونت زخم شود که همگی می توانند کشنده باشند. برای مبارزه با آنتی بیوتیک های جدید به شدت مورد نیاز است A. baumannii زیرا گزینه های درمانی فعلی ناکافی هستند.
پیدا کردن ابزارهای مناسب هوش مصنوعی
روشهای هوش مصنوعی توانایی شناسایی نامزدهای دارویی امیدوارکننده از جمله آنتیبیوتیکها را نشان دادهاند. یکی از روشهای هوش مصنوعی که معمولاً در کشف دارو مورد استفاده قرار میگیرد، مدل پیشبینی ویژگی نامیده میشود که برای تخمین خواص فیزیکی و شیمیایی ذاتی یک مولکول بر اساس اطلاعات به دست آمده از ویژگیهای ساختاری آن آموزش داده میشود. مدلهای پیشبینی ویژگی برای پیشبینی فعالیت بازدارنده رشد در برابر استفاده شده است اشرشیاکلی و مقاوم به آنتی بیوتیک Burkholderia cenocepacia. با وجود این موفقیتها، مدلهای پیشبینی ویژگی محدود به ارزیابی مولکولها یک به یک از کتابخانههای شیمیایی برشماری شده است، که از کاوش در فضاهای شیمیایی واقعاً وسیع در یک زمان معقول جلوگیری میکند.
روش دیگر، مدلهای هوش مصنوعی مولد، مولکولهای موجود را تجزیه و تحلیل نمیکنند، بلکه در عوض، مولکولهای جدیدی میسازند که امکان کشف کلاسهای ساختاری جدیدی از مولکولها را فراهم میکند. این به ویژه برای آنتی بیوتیک ها مهم است، جایی که مولکول های جدید از نظر ساختاری و عملکردی برای غلبه بر عوامل تعیین کننده مقاومت موجود مطلوب هستند. در حالی که روشهای هوش مصنوعی مولد پیشنهاد شدهاند و نشان دادهاند که در سیلیکون امیدوارکننده هستند، مطالعات بسیار کمی هر یک از مولکولهای فرضی را سنتز و آزمایش کردهاند. همچنین، توسعه آنتیبیوتیکهای مولکولی کوچک تمرکز هیچ یک از این رویکردهای قبلی نبوده است.
SyntheMol
کایل سوانسون، دانشجوی دکترا در استنفورد و گری لیو، دانشجوی دکترای مک مستر، با همکاری یکدیگر توسعه SyntheMol را رهبری کردند که از مدلهای پیشبینی دارایی و هوش مصنوعی مولد برای ایجاد آنتیبیوتیکهای جدید استفاده میکند. اساسا، SyntheMol از مدلهای پیشبینی دارایی بر اساس دادههای دنیای واقعی برای ارزیابی فضای شیمیایی وسیعی که مدلهای هوش مصنوعی مولد میتوانند برای مولکولهای بالقوه استخراج کنند، استفاده میکند. محققان یک مدل پیشبینی ویژگی را برای پیشبینی فعالیت ضد باکتریایی آموزش دادند. آنها مجموعه آموزشی متشکل از 13000 مولکول را در برابر سنجش های بازدارندگی رشد برای تعیین زیست فعالی آنها در برابر A. baumannii. مدل پیشبینی ویژگی، اکتشاف نزدیک به 30 میلیارد مولکول سنتز شده با استفاده از هوش مصنوعی مولد را هدایت کرد.
در میان ترکیبات SyntheMol، محققان 58 ترکیب جدید و متنوع از نظر ساختاری را سنتز و آزمایش کردند. آنها شش مولکول ساختاری جدید با فعالیت در برابر کشف کردند A. baumannii. هنگامی که با یک عامل مزاحم غشای خارجی مانند SPR 741 یا colistin ترکیب می شود، هر شش مولکول دارای فعالیت طیف گسترده ای در برابر گونه های مختلف گرم منفی هستند. A. baumannii، E. coli، و K. پنومونیهبا یک مولکول Enamine 40 نیز در برابر P. aeruginosa. این مولکول ها به عنوان عوامل منفرد، رشد باکتری گرم مثبت مقاوم به متی سیلین را مهار می کنند. S. aureus و ایزوله گرم منفی دارای کمبود لیپوپلی ساکارید و مقاوم به کولیستین A. baumannii (ATCC 19606R).
یکی از معایب قابل توجه SyntheMol این بود که برای تولید مولکول هایی با حلالیت آبی بالا برنامه ریزی نشده بود. به دلیل حلالیت ناکافی چهار مولکول ضد باکتری دیگر در آب، تنها دو مولکول از شش مولکول را می توان برای سمیت در مدل های موش آزمایش کرد. در حالی که تحقیقات بیشتری برای تبدیل این مولکولهای تولید شده به نامزدهای آنتیبیوتیکی و بهبود روشهای هوش مصنوعی مولد برای طراحی مولکولهای قابل سنتز مورد نیاز است، این کار نشاندهنده گامی مهم به سمت کاربرد عملی رویکردهای هوش مصنوعی مولد برای کشف آنتیبیوتیک و کشف دارو به طور کلی است.