بزرگنمايي:

سیاست و بازاریابی - زومیت / یادگیری ماشین مولکول‌هایی را که حتی دربرابر سویه‌های غیرقابل درمان باکتری‌ها اثر دارند، کشف می‌کند.
یک رویکرد یادگیری ماشین، انواع جدید و قدرتمندی از آنتی‌بیوتیک‌ها را از مخزنی متشکل‌از بیش از 100 میلیون مولکول شناسایی کرد. یکی از این مولکول‌ها، مولکولی است که دربرابر طیف وسیعی از باکتری‌ها ازجمله باکتری عامل سل و سویه‌های که غیرقابل درمان درنظر گرفته می‌شوند، مؤثر است. پژوهشگران می‌گویند این آنتی‌بیوتیک که هالیسین (halicin) نام دارد، اولین آنتی‌بیوتیکی است که با استفاده از سیستم هوش مصنوعی کشف شده است. اگرچه هوش مصنوعی قبل از این به‌منظور کمک به بخش‌هایی از فرایند کشف آنتی‌بیوتیک‌ها مورد استفاده قرار گرفته بود، به‌گفته‌ی پژوهشگران، این نخستین‌بار است که یک سیستم هوش مصنوعی انواع کاملا جدیدی از آنتی‌بیوتیک‌ها را بدون درنظر گرفتن فرضیات پیشین انسانی و به‌خودی‌خود کشف کرده است. نتایج پژوهش جدید که تحت هدایت جیم کالینز، متخصص زیست‌شناسی مصنوعی از مؤسسه‌ی فناوری ماساچوست انجام شده، در مجله‌ی Cell منتشر شده است.
ژاکوب دورانت، متخصص زیست‌شناسی محاسباتی از دانشگاه پیتسبورگ در پنسیلوانیا این مطالعه را قابل‌توجه می‌خواند. او می‌گوید پژوهشگران فقط مولکول‌های کاندیدا را شناسایی نکردند بلکه همچنین مولکول‌های امیدوارکننده را در آزمایش‌های حیوانی تأیید کردند. علاوه‌بر‌این، رویکرد آن‌ها می‌تواند درمورد انواع مختلف داروها مانند داروهای درمان سرطان یا بیماری‌های نورودژنراتیو نیز به کار آید.
مقاومت باکتریایی دربرابر آنتی‌بیوتیک‌ها به‌طرز چشمگیری در سرتاسر جهان در حال افزایش است و پژوهشگران پیش‌بینی می‌کنند که اگر داروهای جدیدی به‌سرعت توسعه پیدا نکند، عفونت‌های مقاوم می‌توانند در آینده‌ای نزدیک (تا سال 2050)، هر سال 10 میلیون نفر را به کام مرگ بفرستند. اما طی چند دهه‌ی گذشته، روند کشف و تأیید آنتی‌بیوتیک‌های جدید کند بوده است. کالینز می‌گوید:
پژوهشگران به‌طور مکرر مولکول‌های تکراری را کشف می‌کنند. ما به ترکیبات شیمیایی دارویی جدید با مکانیسم‌های عمل جدیدی نیاز داریم.
کالینز و گروهش یک شبکه‌ی عصبی (الگوریتم هوش مصنوعی الهام‌گرفته از معماری مغز) ایجاد کردند که ویژگی‌های مولکول‌ها را اتم به اتم یاد می‌گیرد. پژوهشگران به‌منظور یافتن مولکول‌هایی که از رشد باکتری اشریشیا کلی ممانعت می‌کنند، شبکه‌ی عصبی خود را با استفاده از مجموعه‌ای متشکل‌از 2335 مولکول که فعالیت آنتی‌باکتریایی آن‌ها شناخته شده بود، آموزش دادند. این داده‌ها شامل کتابخانه‌ای متشکل‌از حدود 300 آنتی‌بیوتیک تأییدشده و نیز 800 محصول طبیعی از منابع گیاهی، جانوری و میکروبی بود. رجینا برزیلی پژوهشگر حوزه‌ی هوش مصنوعی در مؤسسه‌ی فناوری ماساچوست و یکی از نویسندگان مقاله‌ی جدید می‌گوید:
الگوریتم یاد می‌گیرد که عملکرد مولکول را بدون درنظر گرفتن هیچ فرض درمورد نحوه‌ی عمل داروها و بدون برچسب‌گذاری گروه‌های شیمیایی، پیش‌بینی کند. درنتیجه، این مدل می‌تواند الگوهای جدیدی را که برای متخصصان انسانی ناشناخته مانده است، بیاموزد.
پژوهشگران پس از آموزش مدل، از آن برای غربال‌گری کتابخانه‌ای به‌نام Drug Repurposing Hub استفاده کردند که حاوی حدود 6 هزار مولکول تحت بررسی برای درمان بیماری‌های مختلف انسانی است. پژوهشگران از مدل خود خواستند که پیش‌بینی کند کدام مولکول‌ها دربرابر اشریشیا کلی مؤثر هستند و فقط مولکول‌هایی را به آن‌ها نشان دهد که با آنتی‌بیوتیک‌های معمول فرق دارند. پژوهشگران ازمیان مولکول‌های پیشنهادی سیستم، حدود 100 مولکول کاندیدا را برای آزمایش‌های فیزیکی انتخاب کردند. مشخص شد یکی از این مولکول‌ها یعنی مولکولی که برای درمان دیابت مورد بررسی قرار دارد (هالیسین)، آنتی‌بیوتیک قوی است. مولکول مذکور در آزمایش‌های انجام‌شده روی موش‌ها، دربرابر طیف وسیعی از پاتوژن‌ها ازجمله سویه‌ای از کلوستریدیوم سخت (Clostridioides difficile) و سویه‌ای از آسینتوباکتر بائومانی (Acinetobacter baumannii) که دارای مقاومت آنتی‌بیوتیکی هستند، فعال بود.
مهار پروتون
مکانیسم عمل آنتی‌بیوتیک‌ها مختلف است. آن‌ها طی مکانیسم‌هایی مانند مهار آنزیم‌های درگیر در بیوسنتز دیواره‌ی مولکولی، ترمیم DNA یا سنتز پروتئین عمل می‌کنند. اما مکانیسم عمل هالیسین غیرمعمول است. این مولکول جریان پروتون‌ها را در غشای سلول مختل می‌کند. علاوه‌بر‌این، در آزمایش‌های مقدماتی حیوانی چنین به‌نظر می‌رسید که این مولکول سمیت کمتری داشته و دربرابر مقاومت نیز قوی است. کالینز می‌گوید در آزمایش‌ها، مقاومت دربرابر دیگر ترکیبات آنتی‌بیوتیکی معمولا طی یکی دو روز ایجاد می‌شود اما درمورد هالیسین پس از گذشت 30 روز نیز مقاومتی دربرابر آن دیده نشد.
در ادامه، پژوهشگران بیش از 107 میلیون ساختار مولکولی را در پایگاه داده‌ای که ZINC15 نامیده می‌شود، مورد جست‌وجو قرار دادند. آن‌ها 23 مورد از این مولکول‌ها را در آزمایش‌های فیزیکی مورد بررسی قرار دادند و 8 مولکول که دارای فعالیت آنتی‌باکتریایی بودند، شناسایی شدند. از این میان، دو مورد فعالیت قوی دربرابر طیف وسیعی از پاتوژن‌ها داشتند و حتی توانستند بر سویه‌های مقاوم به آنتی‌بیوتیک باکتری اشریشیا کلی غلبه کنند. باب مورفی، متخصص زیست‌شناسی محاسباتی در دانشگاه کارنگی ملون در پیتسبورگ می‌گوید:
این مطالعه، یک نمونه‌ی عالی است که نشان‌دهنده‌ی رشد پژوهش‌های مرتبط با استفاده از روش‌های محاسباتی برای کشف و پیش‌بینی ویژگی‌های داروهای بالقوه است.
مورفی خاطرنشان می‌کند که از روش‌های هوش مصنوعی قبلا نیز برای کاوش پایگاه‌های داده بزرگ متشکل‌از ژن‌ها و متابولیت‌ها به‌منظور شناسایی مولکول‌هایی که حاوی آنتی‌بیوتیک‌های جدید باشند، استفاده شده است. اما کالینز و گروهش می‌گویند رویکرد آن‌ها متفاوت است. آن‌ها به‌جای جست‌وجو به‌دنبال ساختارهای خاص یا کلاس‌های مولکولی، شبکه‌ی خود را آموزش می‌دهند تا به‌دنبال مولکول‌هایی بگردد که فعالیت خاصی داشته باشند.
پژوهشگران امیدوار هستند بتوانند با گروه یا شرکت دیگری همکاری کنند تا هالیسین را در کارآزمایی‌های بالینی مورد بررسی قرار دهند. آن‌ها همچنین می‌خواهند رویکرد خود را برای یافتن آنتی‌بیوتیک‌های جدید و طراحی کامل مولکول‌ها، گسترش دهند. برزیلی می‌گوید کار آن‌ها نوعی اثبات مفهوم است و نشان می‌دهد با چنین سیستمی چه کارهایی می‌توان انجام داد.