با استفاده از هوش مصنوعی، محققان MIT کلاس جدیدی از نامزدهای آنتی بیوتیک را شناسایی کردند | اخبار MIT

استفاده از نوعی هوش مصنوعی که به نام یادگیری عمیقمحققان MIT دسته‌ای از ترکیبات را کشف کرده‌اند که می‌توانند باکتری‌های مقاوم به دارو را که هر سال باعث مرگ بیش از 10000 نفر در ایالات متحده می‌شود، از بین ببرند.

که در مطالعه ای که امروز در طبیعتمحققان نشان دادند که این ترکیبات می توانند مقاومت در برابر متی سیلین را از بین ببرند استافیلوکوکوس اورئوس (MRSA) در یک ظرف آزمایشگاهی و در دو مدل موشی عفونت MRSA رشد کرده است. این ترکیبات همچنین سمیت بسیار کمی را در برابر سلول های انسانی نشان می دهند که آنها را به ویژه کاندیدای دارویی خوبی می کند.

یک نوآوری کلیدی در مطالعه جدید این است که محققان همچنین می‌توانند بفهمند که مدل یادگیری عمیق از چه نوع اطلاعاتی برای پیش‌بینی اثربخشی آنتی‌بیوتیک استفاده می‌کند. این دانش می تواند به محققان کمک کند تا داروهای بیشتری را طراحی کنند که ممکن است حتی بهتر از داروهای شناسایی شده توسط این مدل عمل کنند.

بینش در اینجا این بود که ما می‌توانیم آنچه را که از مدل‌ها آموخته‌ایم ببینیم تا پیش‌بینی کنیم که مولکول‌های خاصی آنتی‌بیوتیک‌های خوبی می‌سازند. جیمز کالینز، پروفسور ترمیر مهندسی پزشکی و علوم در موسسه پزشکی گفت: کار ما چارچوبی را ارائه می‌کند که از نظر ساختار شیمیایی، از نظر ساختار شیمیایی، چارچوبی کارآمد، کارآمد از نظر زمان، کارآمد و مکانیکی دارد. مهندسی و علوم MIT (IMES) و گروه مهندسی بیولوژیکی.

فلیکس وانگ، محقق فوق دکتری در IMES و موسسه براد MIT و هاروارد، و اریکا ژنگ، دانشجوی سابق دانشکده پزشکی هاروارد که توسط کالینز مشاوره شده است، نویسندگان اصلی این مطالعه هستند که بخشی از پروژه آنتی بیوتیک-AI در MIT ماموریت این پروژه به رهبری کالینز، کشف کلاس های جدیدی از آنتی بیوتیک ها علیه هفت نوع باکتری کشنده در طول هفت سال است.

پیش بینی های قابل توضیح

MRSA که سالانه بیش از 80000 نفر را در ایالات متحده مبتلا می کند، اغلب باعث عفونت پوست یا ذات الریه می شود. موارد شدید می تواند منجر به سپسیس، یک عفونت بالقوه کشنده جریان خون شود.

طی چند سال گذشته، کالینز و همکارانش در کلینیک ام آی تی عبداللطیف جمیل برای یادگیری ماشین در مراقبت های بهداشتی (کلینیک جمیل) شروع به استفاده از یادگیری عمیق برای یافتن آنتی بیوتیک های جدید کرده اند. کار آنها داروهای بالقوه ای را علیه آنها ایجاد کرده است اسینتوباکتر بومانییک باکتری که اغلب در بیمارستان ها و بسیاری دیگر یافت می شود باکتری های مقاوم به دارو.

این ترکیبات با استفاده از مدل‌های یادگیری عمیق شناسایی شدند که می‌توانند ساختارهای شیمیایی مرتبط با فعالیت ضد میکروبی را بیاموزند. سپس این مدل‌ها میلیون‌ها ترکیب دیگر را غربال کردند و پیش‌بینی‌هایی را ایجاد کردند که کدام یک ممکن است دارای فعالیت ضد میکروبی قوی باشند.

این نوع جستجوها مثمر ثمر بوده اند، اما یکی از محدودیت های این رویکرد این است که مدل ها “جعبه سیاه” هستند، به این معنی که هیچ راهی برای دانستن اینکه مدل بر اساس پیش بینی های خود بر چه ویژگی هایی استوار است وجود ندارد. اگر دانشمندان می‌دانستند مدل‌ها چگونه پیش‌بینی‌های خود را انجام می‌دهند، شناسایی یا طراحی آنتی‌بیوتیک‌های اضافی برایشان آسان‌تر می‌شد.

وونگ می‌گوید: «آنچه در این مطالعه تصمیم گرفتیم انجام دهیم، باز کردن جعبه سیاه بود. این مدل‌ها از تعداد بسیار زیادی محاسبات تشکیل شده‌اند که اتصالات عصبی را تقلید می‌کنند و هیچ‌کس واقعاً نمی‌داند که در زیر کاپوت چه می‌گذرد.»

ابتدا، محققان یک مدل یادگیری عمیق را با استفاده از مجموعه داده‌های بسیار گسترده آموزش دادند. آنها این داده های آموزشی را با آزمایش حدود 39000 ترکیب برای فعالیت آنتی بیوتیکی علیه MRSA تولید کردند و سپس آن داده ها را به همراه اطلاعاتی در مورد ساختار شیمیایی ترکیبات به مدل دادند.

وونگ می گوید: “شما می توانید اساساً هر مولکولی را به عنوان یک ساختار شیمیایی نشان دهید و همچنین به مدل بگویید که آیا آن ساختار شیمیایی ضد باکتری است یا خیر.” «این مدل بر روی نمونه‌های زیادی از این دست آموزش داده شده است. اگر چند مولکول جدید، آرایش جدیدی از اتم ها و پیوندها به آن بدهید، می تواند احتمال ضد باکتری بودن این ترکیب را به شما بگوید.

برای درک اینکه این مدل چگونه پیش بینی های خود را انجام می دهد، محققان الگوریتمی به نام جستجوی درخت مونت کارلو را اقتباس کردند که برای توضیح بیشتر مدل های یادگیری عمیق مانند AlphaGo استفاده شده است. این الگوریتم جستجو به مدل این امکان را می‌دهد که نه تنها تخمینی از فعالیت ضد میکروبی هر مولکول، بلکه پیش‌بینی اینکه کدام زیرساخت‌های مولکول احتمالاً برای آن فعالیت است را ایجاد کند.

فعالیت قدرتمند

برای محدود کردن بیشتر مجموعه داروها، محققان سه مدل یادگیری عمیق اضافی را آموزش دادند تا پیش‌بینی کنند که آیا این ترکیبات برای سه نوع مختلف سلول انسانی سمی هستند یا خیر. با ترکیب این اطلاعات با پیش‌بینی‌های فعالیت ضد میکروبی، محققان ترکیباتی را کشف کردند که می‌توانند میکروب‌ها را از بین ببرند در حالی که حداقل اثرات نامطلوب بر بدن انسان دارند.

با استفاده از این مجموعه از مدل ها، محققان حدود 12 میلیون ترکیب را غربال کردند که همه آنها به صورت تجاری در دسترس هستند. از این مجموعه، مدل‌ها ترکیباتی را از پنج کلاس مختلف بر اساس زیرساخت‌های شیمیایی موجود در مولکول‌ها شناسایی کردند که پیش‌بینی می‌شود در برابر MRSA فعال باشند.

محققان حدود 280 ترکیب را خریداری کردند و آنها را در برابر MRSA که در یک ظرف آزمایشگاهی رشد داده شده بود، آزمایش کردند، که به آنها اجازه داد تا دو مورد از یک کلاس را شناسایی کنند که به نظر می رسید نامزدهای آنتی بیوتیکی بسیار امیدوارکننده ای باشند. در آزمایشات روی دو مدل موش، یکی عفونت پوستی MRSA و دیگری عفونت سیستمیک MRSA، هر یک از این ترکیبات جمعیت MRSA را 10 برابر کاهش داد.

آزمایش‌ها نشان داد که به نظر می‌رسد این ترکیبات با ایجاد اختلال در توانایی آنها برای حفظ گرادیان الکتروشیمیایی در غشای سلولی، باکتری‌ها را از بین می‌برند. این گرادیان برای بسیاری از عملکردهای حیاتی سلولی، از جمله توانایی تولید ATP (مولکول هایی که سلول ها برای ذخیره انرژی استفاده می کنند) ضروری است. یک کاندید آنتی بیوتیکی که آزمایشگاه کالینز در سال 2020 کشف کرد، هالیسین، به نظر می رسد با مکانیسم مشابهی کار می کند، اما مخصوص باکتری های گرم منفی (باکتری هایی با دیواره های سلولی نازک) است. MRSA یک باکتری گرم مثبت با دیواره سلولی ضخیم تر است.

وانگ می‌گوید: «ما شواهد کاملاً قانع‌کننده‌ای داریم که نشان می‌دهد این کلاس ساختاری جدید با از بین بردن انتخابی نیروی محرکه پروتون در باکتری‌ها در برابر پاتوژن‌های گرم مثبت فعال است. مولکول ها به طور انتخابی به غشای سلولی باکتری حمله می کنند، به گونه ای که آسیب قابل توجهی به غشای سلولی انسان وارد نمی کند. رویکرد یادگیری عمیق بسیار پیشرفته ما به ما اجازه داد تا این کلاس ساختاری جدید آنتی بیوتیک ها را پیش بینی کنیم و کشف کنیم که این آنتی بیوتیک ها برای سلول های انسانی سمی نیستند.

محققان یافته های خود را با آنها به اشتراک گذاشتند Phare Bio، یک سازمان غیرانتفاعی که توسط کالینز و دیگران به عنوان بخشی از پروژه Antibiotics-AI تأسیس شده است. این سازمان غیرانتفاعی اکنون قصد دارد تا تجزیه و تحلیل دقیق تری از خواص شیمیایی و استفاده بالقوه بالینی این ترکیبات انجام دهد. در همین حال، آزمایشگاه کالینز در حال کار بر روی طراحی نامزدهای دارویی اضافی بر اساس نتایج مطالعه جدید و همچنین استفاده از مدل‌ها برای جستجوی ترکیباتی است که می‌تواند انواع دیگر باکتری‌ها را از بین ببرد.

وونگ می‌گوید: «ما در حال حاضر از رویکردهای مشابه مبتنی بر زیرساخت‌های شیمیایی برای طراحی ترکیبات جدید استفاده می‌کنیم و البته می‌توانیم به راحتی از این رویکرد خارج از جعبه برای کشف کلاس‌های جدیدی از آنتی‌بیوتیک‌ها علیه پاتوژن‌های مختلف استفاده کنیم.

علاوه بر MIT، هاروارد و مؤسسه براد، مؤسساتی که در این مقاله مشارکت دارند عبارتند از Integrated Biosciences, Inc.، مؤسسه Wyss برای مهندسی بیولوژیکی الهام گرفته شده، و مؤسسه تحقیقات پلیمری Leibniz در درسدن، آلمان. این تحقیق توسط بنیاد جیمز اس. مک دانل، مؤسسه ملی آلرژی و بیماری های عفونی ایالات متحده، بنیاد ملی علوم سوئیس، برنامه کمک هزینه تحصیلی Banting، بنیاد فولکس واگن، آژانس کاهش تهدیدات دفاعی، مؤسسه ملی بهداشت ایالات متحده، تأمین مالی شد. و موسسه براد پروژه Antibiotics-AI توسط Audacious Project، Flu Lab، Sea Grape Foundation، Wyss Foundation و یک اهداکننده ناشناس تامین مالی می شود.