Machine Learning Prediction of Antimicrobial Response in Pleurotus ostreatus Extracts Cultivated on Cassava Peel: A Proof-of-Concept Study

تخيل عالم الغزاة الصغار غير المرئيين — البكتيريا والفطريات — الذين يجعلوننا نمرض أحيانًا. لفترة طويلة، امتلكنا أسلحة خاصة تسمى المضادات الحيوية لمحاربة هؤلاء الغزاة، لكن هؤلاء الغزاة يزدادون ذكاءً. إنهم يتعلمون كيفية التملص من أسلحتنا، وهي مشكلة يسميها العلماء "المقاومة للمضادات الميكروبية". إنها تشبه لعبة الغميضة حيث يصبح المختبئون أكثر براعة في الاختباء، ونحن بحاجة إلى إيجاد طرق جديدة للإمساك بهم. إحدى الأفكار الواعدة هي النظر في صيدلية الطبيعة الخاصة، وتحديدًا في الفطريات. بعض الفطريات، مثل فطر المحار (Pleurotus ostreatus)، مشهورة بصنع مواد كيميائية يمكنها إيقاف هذه الجراثيم الضارة في مسارها. والأروع من ذلك أن هذه الفطريات يمكن أن تنمو على أشياء نرميها عادةً، مثل قشور جذور الكسافا. ولكن هنا يكمن الجزء الصعب: اختبار كل دفعة من الفطريات ضد كل نوع من الجراثيم هو أمر بطيء ومكلف ويتطلب الكثير من العمل الشاق. يتساءل العلماء عما إذا كان بإمكانهم استخدام "كرة بلورية" مصنوعة من الرياضيات والحواسيب — تسمى تعلم الآلة — لتخمين أي مستخلصات الفطريات ستكون الأفضل قبل حتى أن يبدأوا الاختبارات المختبرية الفوضوية.

هذه الورقة البحثية هي دراسة "إثبات مفهوم"، وهي طريقة منمقة لقول: "دعونا نجرب اختبارًا صغيرًا لنرى ما إذا كانت فكرة الكرة البلورية هذه ممكنة أصلاً". قام الباحثون بزراعة فطر المحار على قشور الكسافا ثم صنعوا نوعين من المستخلصات السائلة منها: أحدهما باستخدام الكحول (الإيثانول)، والآخر باستخدام الماء. واختبروا هذه السوائل ضد سبعة أنواع مختلفة من الجراثيم لمعرفة مدى قدرتها على منع نمو تلك الجراثيم. وبدلاً من مجرد النظر إلى النتائج، قاموا بتغذية كل البيانات في برنامج حاسوبي يسمى "الغابة العشوائية" (Random Forest). فكر في هذا النموذج كأنه محقق فائق التنظيم يبحث عن الأدلة — مثل نوع السائل المستخدم لصنع المستخلص، ونوع الجرثومة التي يحاربها، والتركيبة الكيميائية لدفعة الفطر — للتنبؤ بالنتيجة.

لقد قام المحقق بعمل جيد في مهمة محددة واحدة: التنبؤ بحجم "منطقة التثبيط". تخيل رسم دائرة على طبق بتري حيث لا تستطيع الجراثيم النمو؛ كلما كانت الدائرة أكبر، كان مستخلص الفطر يعمل بشكل أفضل. استطاع النموذج الحاسوبي تخمين حجم هذه الدائرة بنجاح متوسط، محققًا درجة دقة (R-square) بلغت 0.68. لقد كان جيدًا جدًا في تخمين أن الدوائر الأكبر ستحدث في ظروف معينة. وكان أهم دليل وجده المحقق هو "المذيب المستخلص". إن مسأية ما إذا كان المستخلص قد صُنع بالكحول أو بالماء كانت أهم بكثير من الاختلافات الكيميائية الدقيقة بين دفعات الفطر. في الواقع، ساهمت التركيبة الكيميائية المحددة للفطريات بشكل ضئيل جدًا في التنبؤ.

ومع ذلك، اصطدم المحقق بحائط مسدود عند محاولة التنبؤ بشيء آخر: التركيز المثبط الأدنى (MIC). وهذا مقياس لمدى كمية المستخلص المطلوبة لإيقاف الجرثومة تمامًا. عندما حاول الحاسوب تخمين ما إذا كان المستخلص قويًا بما يكفي ليكون "رابحًا" أو "خاسرًا"، كان أداؤه ضعيفًا، حيث أصاب الإجابة بنسبة 43% فقط. كان بمثابة التخمين في الظلام. هذا يخبرنا أن الأدلة التي امتلكها العلماء — مثل كيمياء الدفعة ونوع الجرثومة — لم تكن كافية للتمييز بين مستخلص قوي وآخر ضعيف.

إذن، ما هي النتيجة؟ تشير الدراسة إلى أن تعلم الآلة يمكن أن يكون مساعدًا مفيدًا لاستكشاف أدوية الفطريات، لكنه ليس عصا سحرية بعد. تعلم الحاسوب أن نوع السائل المستخدم لصنع المستخلص أمر بالغ الأهمية، لكنه لم يستطع فهم التفاصيل الدقيقة لكيفية قوة الدواء. ويؤكد المؤلفون بحذر أن هذه النتائج ليست سوى البداية. نظرًا لأنهم اختبروا عددًا صغيرًا فقط من العينات (42 ملاحظة) وثلاث دفعات فقط من الفطريات، فإن الصورة لا تزال ضبابية بعض الشيء. ولبناء كرة بلورية موثوقة حقًا، يقولون إننا بحاجة إلى مجموعات بيانات أكبر بكثير، واختبار أنواع أكثر من الفطريات والجراثيم، مع قياسات كيميائية أكثر تفصيلًا. في الوقت الحالي، تعد هذه الدراسة خطوة أولى ممتعة وواعدة تظهر إمكانية دمج علم الأحياء مع علوم الحاسوب، حتى لو كان الحاسوب لا يزال بحاجة إلى الكثير من الواجبات المنزلية قبل أن يتمكن من استبدال طاولة المختبر.