بعد از 60 سال، محققان MIT یکی از اولین دسته‌های جدید آنتی بیوتیک های را با استفاده از یک پلت‌فرم مجهز به هوش مصنوعی ساخته‌شده بر اساس یادگیری عمیق ، کشف کرده اند.
به گزارش تکناک، این مقاله با عنوان کشف یک دسته ساختاری از آنتی‌بیوتیک‌ها با یادگیری عمیق قابل توضیح که در روز 20 دسامبر در مجله نیچر منتشر شد، توسط گروهی متشکل از 21 محقق به سرپرستی دکتر فلیکس وانگ تالیف شد.
رویکرد نوآورانه در کشف دارو
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، محققان مدل‌های یادگیری عمیق را بر روی داده‌های تولید شده تجربی برای پیش‌بینی فعالیت آنتی‌بیوتیکی و سمیت هر ترکیب آموزش دادند. نویسندگان با الهام از هوش مصنوعی مورد استفاده در زمینه‌های دیگر از جمله فناوری بازی AlphaGo شرکت DeepMind، مدل‌های جدیدی را طراحی کردند تا توضیح دهند کدام بخش‌های یک مولکول برای فعالیت آنتی‌بیوتیک مهم هستند.
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 موش‌های مبتلا به عفونت MRSA آزمایش کردند و به این نتیجه رسیدند که این آنتی‌بیوتیک هم به صورت موضعی و هم از نظر سیستمی مؤثر است، که نشان می‌دهد این ترکیب می‌تواند برای توسعه بیشتر به عنوان درمان برای عفونت‌های باکتریایی شدید و مرتبط با سپسیس مناسب باشد.
پیامدهای توسعه دارو در آینده
دکتر وونگ گفت: کشف دسته جدید از آنتی بیوتیک ها نتیجه یک 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 تحقیقاتی است که نشان می‌دهد مدل‌های یادگیری عمیق می‌توانند آنچه را که پیش‌بینی می‌کنند، 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، توضیح دهند.
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 سخت‌ترین چالش‌های پزشکی که در این مورد مقاومت آنتی‌بیوتیکی است، 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.
آلیسیا لی، یکی از نویسندگان مشارکت کننده در این نشریه افزود: این واقعاً هیجان انگیز است که ببینیم چگونه توانسته ایم روش جدیدی را برای پیش بینی مفید بودن یک ترکیب به عنوان یک آنتی بیوتیک نشان دهیم.
Integrated Biosciences مجموعه‌ای از تحقیقات را ایجاد کرده است که علاوه بر این نشریه جدید منتشر شده در مجله Nature، شامل یک مقاله دیگر است که در ماه می منتشر شد که نشان می‌دهد چگونه می‌توان از هوش مصنوعی برای کشف senolytics جدید که ترکیبات ضد پیری هستند، استفاده کرد که به طور انتخابی سلول‌های پیر زامبی شکل را از بین می‌برند. این ترکیبات در توانایی خود در درمان بیماری های مرتبط با افزایش سن، مانند فیبروز، التهاب و سرطان، نویدبخش هستند.
مقاله ای از Cell Systems که در ژوئن منتشر شد، یک پلت فرم مبتنی بر زیست شناسی مصنوعی را نشان داد که به انسان اجازه می دهد تا پاسخ های استرس مرتبط با افزایش سن را کنترل کند و صفحه نمایش داروها را برای هدف قرار دادن پیری تسریع کند.
دانش آموخته مترجمی زبان انگلیسی، مترجم و نویسنده حوزه سلامت و پزشکی
