Predicting tuberculosis relapse based on 28-day CFU, RS ratio, and/or drug contribution for novel regimens in the relapsing mouse model

تخيل أنك محقق يحاول حل لغز يستغرق تسعة أشهر ليتكشف. الجاني هو بكتيريا ماكرة تُدعى Mycobacterium tuberculosis، وهي التي تسبب المرض المعروف باسم السل (TB). في الماضي، كان الإمساك بهذا الجرثومة ومعرفة كيفية هزيمتها يتطلب تحقيقاً بطيئاً ومكلفاً ومزدحماً للغاية: إصابة الفئران، وعلاجها، ثم الانتظار لمدة عام تقريباً لمعرفة ما إذا كانت الفئران ستمرض مرة أخرى. كان الأمر يشبه انتظار فيلم بالحركة البطيئة حتى ينتهي فقط لترى ما إذا كان البطل قد انتصر. يحتاج العلماء بشدة إلى طريقة أسرع لاختبار وصفات "العلاجات الشاملة" الجديدة (مزيج الأدوية) لأن العلاجات الحالية طويلة جداً، وغالباً ما يتوقف المرضى عن تناولها قبل الانتهاء منها، مما يؤدي إلى ظهور "سلالات خارقة" مقاومة للأدوية. لتسريع العملية، طور الباحثون "دليلين" خاصين يمكن العثين عليهما في وقت مبكر جداً: عدد البكتيريا التي لا تزال حية في الرئتين (ويسمى CFU) ومقياس لمدى انشغال البكتيريا بنسخ نفسها (ويسمى نسبة RS). فكر في الـ CFU كعدّ للمشتبه بهم الذين لا يزالون يختبئون في منزل ما، وفكر في نسبة RS كفحص لما إذا كان هؤلاء المشتبه بهم يحزمون حقائبهم بجنون للهروب أم أنهم جالسون فحسب دون فعل شيء.

هذه الورقة البحثية تدور حول بناء محقق حاسوبي فائق الذكاء يمكنه النظر في هذه الأدلة المبكرة — التي يتم جمعها بعد أربعة أسابيع فقط من العلاج — والتنبؤ بما إذا كانت وصفة دواء معينة ستشفي الفئران على المدى الطويل بالفعل. جمع الباحثون بيانات من تسع تجارب مختلفة شملت 58 مزيجاً فريداً من الأدوية وأكثر من 2000 ملاحظة لفئران تتحسن أو تسوء حالتها. قاموا بتغذية هذه المعلومات في نموذج رياضي، وتعليمه كيفية رصد الأنماط بين الأدلة قصيرة المدى والنتيجة طويلة المدى. والنتيجة هي أداة يمكنها ترتيب وصفات الأدوية الجديدة بناءً على بيانات شهر واحد فقط، بدلاً من الانتظار تسعة أشهر. يشير النموذج إلى أنه باستخدام هذه الأدلة المبكرة، يمكن للعلماء تحديد العلاجات الواعدة بسرعة وتخطي تلك التي من المرجح أن تفشل، مما يوفر الوقت والمال وآلاف الفئران. وبينما تعد تنبؤات الكمبيوتر دقيقة للغاية (حيث تصيب بنسبة 90% في الاختبارات)، يشير المؤلفون إلى أنه بالنسبة للأدوقاء الجديدة، فإن دليل "الانشغال" (نسبة RS) مفيد بشكل خاص، بينما بالنسبة للأدوية المعروفة، قد يكون مجرد عد البكتيريا كافياً إذا كنت تعرف أيضاً مدى جودة كل دواء في تعقيم العدوى.

اختصار المحقق الجديد

السل عدو عنيد. لعقود من الزمن، كانت الطريقة الوحيدة لمعرفة ما إذا كان مزيج دواء جديد سيعمل هي خوض لعبة طويلة جداً مع الفئران. تقوم بإصابتها، وتعطيها الدواء، ثم تنتظر تسعة أشهر كاملة لترى ما إذا كانت البكتيريا ستعود. كانت عملية بطيئة ومستهلكة للموارد، مما جعل من الصعب اختبار مئات من مزيجات الأدوية الجديدة التي كان العلماء يحلمون بها. ولكن ماذا لو كان بإمكانك إلقاء نظرة خاطفة على الأدلة بعد شهر واحد فقط ومعرفة النهاية؟ هذا بالضبط ما سعى هذا الفريق لتحقيقه.

لقد ركزوا على "دليلين" محددين يمكن جمعهما بسرعة:

1. CFU (وحدات تشكيل المستعمرة): هذا هو عدد البكتيريا التي لا تزال حية وقادرة على النمو في رئتي الفأر. إنه يشبه عدّ المتسللين الذين لا يزالون يختبئون في المنزل.
2. نسبة RS: هذا مقياس لـ "صحة" أو نشاط البكتيريا. وتحديداً، ينظر إلى نسبة الحمض النووي الريبوزي (RNA) غير الناضج إلى الناضج. فكر في الأمر كفحص "قائمة المهام" الخاصة بالبكتيريا. إذا كانت القائمة مليئة بالمهام غير المكتملة، فإن البكتيريا تعاني من الإجهاد وهي في طريقها للموت. أما إذا كانت القائمة نظيفة، فقد تكون فقط في حالة راحة لكنها لا تزال خطيرة.

بنى الباحثون نموذجاً حاسوبياً — عقلاً حاسوبياً متطوراً — لتعلم العلاقة بين هذه الأدلة قصيرة المدى والنتيجة طويلة المدى (ما إذا كانت الفئران ستظل معافاة). لم يعتمدوا على التخمين؛ بل دربوا النموذج باستخدام بيانات من 58 نظاماً دوائياً مختلفاً عبر تسع تجارب منفصلة. تضمنت هذه التجارب أنواعاً مختلفة من الفئران، وسلالات مختلفة من البكتيريا، وطرقاً متنوعة لإصابتها، مما جعل البيانات قوية للغاية.

ما اكتشفه الكمبيوتر

تعلم النموذج أنه يمكنه التنبؤ بالمستقبل بدقة مثيرة للإعجاب. فعند اختباره على بيانات لم يسبق له رؤيتها، أصاب الكمبيوتر التنبؤ الصحيح بنسبة 90% تقريباً (تحديداً منطقة تحت منحنى خصائص التشغيل المستقبلي قدرها 0.90). وهذا يعني أنه يمكنه التمييز بنجاح بين مزيج الدواء الذي سيشفي الفئران في شهرين وبين ذلك الذي سيستغرق أربعة أشهر أو يفشل تماماً.

إليك الجزء الذكي: أدرك النموذج أنه بالنسبة لبعض الأدوية، فإن مجرد عد البكتيريا (CFU) ليس كافياً لسرد القصة كاملة. فبعض الأدوية تقتل البكتيريا لكنها لا تمنعها من "الاستيقاظ" لاحقاً (غير معقمة)، بينما تقوم أدوية أخرى بتعقيم العدوى حقاً. ولحل هذه المشكلة، يستخدم النموذج نسبة RS كفيصل. فهو يشير إلى أنه بالنسبة للأدوية الجديدة تماماً حيث لا نعرف بعد "قدرتها على التعقيم"، فإن نسبة RS هي دليل حاسم لمعرفة ما إذا كانت البكتيريا قد هُزمت حقاً. ومع ذلك، بالنسبة للأدوية التي نعرفها جيداً (مثل ريفامبين أو بيداكويلين)، وجد النموذج أنه إذا أخذت في الاعتبار قدرتها المعروفة على التعقيم، فقد لا تحتاج حتى إلى نسبة RS؛ إذ يمكن لعدد البكتيريا وحده القيام بالمهمة.

كما أظهرت الدراسة أن هذه الطريقة تعمل حتى عند مقارنة التجارب التي أجريت في مختبرات مختلفة وبظروف مختلفة. تعلم النموذج كيفية التكيف مع هذه الاختلافات، ليعمل كمترجم عالمي يضمن إمكانية مقارنة دواء تم اختباره في مختبر واحد بشكل عادل مع دواء تم اختباره في مختبر آخر.

الحكم النهائي

يؤكد المؤلفون أن هذه الأداة يمكن أن تغير طريقة تطوير علاجات السل. فمن خلال استخدام هذا النموذج، يمكن للعلماء اختبار العديد من مزيجات الأدوية في جزء بسيط من الوقت وبعدد أقل بكثير من الفئران. فبدلاً من الانتظار تسعة أشهر لرؤية ما إذا كانت الوصفة ستنجح، يمكنهم إجراء تجربة مدتها أربعة أسابيع، وتقديم النتائج للكمبيوتر، والحصول على ترتيب للوصفات التي تستحق المتابعة.

ومع ذلك، تشدد الورقة البحثية على أن هذه أداة تنبؤ وليست عصا سحرية. فالنموذج يعمل بشكل أفضل مع الأنظمة التي تتكون من أربعة أدوية؛ وقد واجه بعض الصعوبات مع مزيج محدد مكون من ثلاثة أدوية في اختباراتهم، مما يشير إلى أن الأنظمة القصيرة جداً قد تحتاج إلى فحص إضافي. أيضاً، بينما يعد الكمبيوتر بارعاً في التنبؤ بالنتائج بناءً على البيانات التي رآها، فإنه لا يزال يعتمد على جودة تجربة الأربعة أسابيع الأولية. فإذا كانت البيانات قصيرة المدى مشوشة، فقد يتذبذب التنبؤ.

في نهاية المطاف، تشير هذه الأبحاث إلى سير عمل جديد: إجراء اختبار سريع لمدة أربعة أسابيع، وقياس عدد البكتيريا ومستوى "نشاطها"، وترك الكمبيوتر يخبرك أي من مزيجات الأدوية هي الأبطال الحقيقيون. يمكن لهذا أن يسرع المسار من المختبر إلى سرير المريض، مما قد يؤدي إلى جلب علاجات أقصر وأكثر فعالية للملايين من الناس الذين لا يزالون يعانون من السل اليوم.