MtbAIM: AI/ML-guided endpoint-specific prediction of small-molecule activity across drug-susceptible and drug-resistant Mycobacterium tuberculosis
تقدم هذه الدراسة MtbAIM، وهي منصة مدفوعة بالذكاء الاصطناعي وتعلم الآلة تستخدم تمثيلات جزيئية متنوعة وخوارزميات قائمة على الأشجار للتنبؤ بدقة بالنشاط والتركيزات المثبطة الدنيا للجزيئات الصغيرة ضد كل من عزلات المتفطرة السلية الحساسة للمضادات والمقاومة للأدوية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
لا يزال السل أحد أكثر التهديدات المعدية استمراراً في تاريخ البشرية، وهو مرض لا يزال يحصد أكثر من مليون روح سنوياً رغم عقود من الجهود الطبية. وقد أصبح الوضع يزداد خطورة لأن البكتيريا المسؤولة عن المرض تتطور للبقاء على قيد الحياة رغم الأدوية المصممة لقتلها. وعندما تصبح سلالة من السل مقاومة للأدوية القياسية، تضيق خيارات العلاج بشكل حاد، مما يجبر الأطباء غالباً على الاعتماد على علاجات أقدم، أو أكثر سمية، أو أقل فعالية. وبالنسبة للعلماء الذين يحاولون اكتشاف علاجات جديدة، يخلق هذا لغزاً صعباً: فقد يكون مركب كيميائي فعالاً تماماً ضد نسخة معيارية حساسة للأدوية من البكتيريا، لكنه يفشل تماماً أمام سلالة مقاومة. لذا، لم يعد العثور على دواء جديد مجرد بحث عن شيء يقتل البكتيريا؛ بل يتعلق بالعثور على شيء يقتل البكتيريا حتى عندما تتعلم كيف تقاوم.
في السنوات الأخيرة، لجأ الباحثون إلى الذكاء الاصطناعي للمساعدة في حل هذا اللغز، آملين في مسح مكتبات ضخمة من الهياكل الكيميائية والتنبؤ بأيها قد ينجح قبل اختبارها في المختبر. ومع ذلك، فقد عاملت العديد من هذه النماذج الحاسوبية جميع بكتيريا السل كما لو كانت متطابقة، أو ركزت فقط على مقياس واحد لمدى فعالية الدواء. وهذا النهج ينطوي على خطر تفويت الاختلافات الجوهرية بين البكتيريا التي يسهل علاجها وتلك التي لا يمكن علاجها. وتتناول دراسة جديدة من باحثين في المعهد الهندي للتكنولوجيا في دلهي هذه الفجوة من خلال بناء نظام متخصص يعامل البكتيريا الحساسة للأدوية والمقاومة للأدوها كتحديات متميزة، مع النظر أيضاً في مستويات مختلفة من قوة الدواء لمعرفة مدى القوة التي يجب أن يتمتع بها المركب بالضبط.
بدأ الفريق، بقيادة جاسديب سينغ وكريتيكا سينغ، بجمع مجموعة ضخمة من البيانات الموجودة حول كيفية تفاعل الجزيئات الصغيرة المختلفة مع بكتيريا السل. واستخرجوا ما يقرب من 30,000 سجل من قاعدة بيانات علمية عامة، وقاموا بتقسيم المعلومات بعناية إلى مجموعتين: إحداهما تحتوي على بيانات حول كيفية تأثير المركبات على البكتيريا الحساسة للأدوية، والأخرى لتلك التي تؤثر على السلالات المقاومة للأدوية. كما تأكدوا من أن البيانات لم تكن مجرد قائمة بسيطة من "يعمل" أو "لا يعمل"، بل تضمنت قياسات محددة للتركيز المطلوب لإيقاف نمو البكتيريا. وقد سمح لهم ذلك بالتمييز بين المركب الذي هو نشط فحسب والمركب عالي الفعالية.
ولتلقين نماذجهم الحاسوبية، قام الباحثون بتغذية هذه الهياكل الكيميائية بأنواع مختلفة من التمثيلات الرقمية. استخدمت بعض هذه التمثيلات طرقاً راسخة لوصف الخصائص الفيزيائية والكيميائية للجزيئات، بينما استخدمت أخرى أنظمة ذكاء اصطناعي متقدمة ومدربة مسبقاً تعلمت فهم الأشكال الجزيئية من تلقاء نفسها. وكان الهدف هو معرفة أي طريقة هي الأفضل في التنبؤ بما إذا كان مركب كيميائي جديد وغير مرئي سيعمل ضد البكتيريا. ومن الأهمية بمكان أن الباحثين اختبروا نماذجهم باستخدام طريقة صارمة تضمن أن الحاسوب لا يقوم ببساطة بحفظ أشكال الجزيئات التي رآها بالفعل. بدلاً من ذلك، اختبروا النماذج على عائلات كيميائية جديدة تماماً، محاكيين بذلك السيناريو الواقعي لاكتشاف دواء له هيكل لم يسبق للحاسوب مواجهته من قبل.
وكشفت النتائج عن نمط واضح. فبينما كانت أنظمة الذكاء الاصطناعي المتقدمة والمدربة مسبقاً قادرة على تعلم معلومات مفيدة عن الجزيئات، إلا أنها لم تتفوق باستمرار على الطرق التقليدية الراسخة لوصف الهياكل الكيميائية. وفي الواقع، أثبتت النماذج التي جمعت بين الأوصاف الكيميائية القياسية وخوارزميات القرار القائمة على الأشجار أنها الأكثر موثوقية لكل من البكتيريا الحساسة للأدوية والمقاومة لها. وقد نجحت هذه النماذج في التنبؤ بما إذا كان المركب نشطاً، والأهم من ذلك، قدرت قوة هذا النشاط بدقة عالية. وقد تمكن النظام من التعامل مع تعقيد مقاومة الأدوية، مظهراً أن قدرة المركب على قتل البكتيريا ليست سمة ثابتة واحدة، بل تعتمد بشدة على نوع البكتيريا المحدد الذي يواجهه.
ولجعل هذه النتائج مفيدة للعلماء الآخرين، بنى الباحثون منصة مجانية عبر الإنترنت تسمى MtbAIM. تتيح هذه الأداة لأي شخص إدخال الهيكل الكيميائي لجزيء ما وتلقي تنبؤ فوري بمدى فعاليته ضد بكتيريا السل الحساسة للأدوية والمقاومة لها على حد سواء. توفر المنصة مخرجاً مزدوجاً: فهي تخبر المستخدم ما إذا كان المركب من المرجح أن يكون نشطاً، وتعطي تقديراً محدداً لقوته. وتعد هذه القدرة المزدوجة حيوية لأنها تساعد الباحثين على تحديد أولويات المركبات التي سيتم اختبارها في المختبر، مما يوفر الوقت والموارد من خلال التركيز على المرشحين الأكثر واعدية. ولا يحل النظام محل الحاجة إلى الاختبار المختبري الفعلي، ولكنه يعمل كمرشح قوي، يوجه العلماء نحو المواد الكيميائية التي لديها أعلى فرص للنجاح.
كما سلطت الدراسة الضوء على أهمية النظر في مستويات مختلفة من قوة الدواء. ووجد الباحثون أن التنبؤ بالتركيز الدقيق اللازم لإيقاف نمو البكتيريا كان ممكناً، ولكن دقة هذه التنبؤات تفاوتت اعتماداً على كمية البيانات المتاحة لذلك القياس المحدد. وبالنسبة للقياسات الأكثر شيوعاً، كانت النماذج دقيقة للغاية، أما بالنسبة لنقاط البيانات الأقل شيوعاً، فقد كانت درجة عدم اليقين أعلى. ومن خلال إبقاء هذه القياسات المختلفة منفصلة بدلاً من مزجها معاً، ضمن الباحثون أن عدم اليقين كان مرئياً وصادقاً. ويعد هذا الوضوح ميزة رئيسية لمنهجهم، حيث يمنع المستخدمين من المبالغة في تقدير اليقين في التنبؤ عندما تكون البيانات الأساسية شحيحة.
في نهاية المطاف، يوضح هذا العمل أن الذكاء الاصطناعي يمكن أن يكون شريكاً عملياً في مكافحة السل، بشرط أن يتم تصميمه مع مراعاة الحقائق البيولوجية للمرض. فمن خلال فصل البكتيريا الحساسة للأدوية عن المقاومة لها، ومن خلال التعامل مع القياسات المختلفة لقوة الدواء كمسائل متميزة، أنشأ الباحثون أداة تقدم رؤية أكثر دقة وواقعية للعلاجات المحتملة الجديدة. وإن حقيقة أن الأوصاف الكيميائية التقليدية لا تزال تحتفظ بمكانتها أمام نماذج الذكاء الاصطناعي الأحدث والأكثر تعقيداً تشير إلى أنه في مجال اكتشاف الأدوية، يمكن للطرق الراسخة المدمجة مع التعامل الدقيق مع البيانات أن تكون قوية بقدر أحدث الاتجاهات التكنولوجية. وتوفر المنصة الناتجة وسيلة واضحة وسهلة الوصول للمجتمع العلمي العالمي لفحص المواد الكيميائية الجديدة، مما يقربنا خطوة أخرى من العثور على الجيل القادم من علاجات السل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.