40 گام به سوی آینده‌ای هوشمند - مجموعه وبینارهای رایگان در حوزه هوش مصنوعی
Filter by دسته‌ها
chatGTP
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
تیتر یک
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 تشخیص الگوی مقاومت به آنتی بیوتیک با کمک هوش مصنوعی

تشخیص الگوی مقاومت به آنتی بیوتیک با کمک هوش مصنوعی

پژوهشگران دانشگاه UC3M، با همکاری دانشگاه اکستر و برمینگهام انگلستان و بیمارستان وستمید استرالیا، سعی کرده‌اند با تحلیل الگوی مقاومت به آنتی بیوتیک ها، رویه‌های درمانی کارآمدتری را برای جلوگیری از تکثیر باکتری‌ها توسعه دهند. این پژوهش در ژورنال علمی Nature Communications منتشر شده است.

در محیط آزمایشگاهی، برای مشاهده‌ مقاومت پاتوژن‌های باکتریایی نسبت به آنتی‌بیوتیک از معیار MIC با حداقل غلظت بازدارنده استفاده می‌شود؛ کمترین غلظت ممکن از آنتی‌بیوتیک که می‌تواند جلوی رشد باکتری را بگیرد؛ هرچه MIC یک باکتری علیه آنتی‌بیوتیک بیشتر باشد، مقاومت بالاتری را نشان می‌دهد.

بیشتر پایگاه‌های داده عمومی فقط فراوانی پاتوژن‌های مقاوم را در برمی‌گیرند که حاصل مقایسه‌ی MIC نسبت به مقادیر آستانه‌ای از پیش تعیین شده است. پابلو کاتالان، مدرس و پژوهشگر دانشگاه UC3M و نویسنده مقاله، توضیح می‌دهد «فرض کنید آستانه مقاومت آنتی‌بیوتیکی برای یک پاتوژن خاص برابر 4 باشد. در این صورت، اگر MIC باکتری 16 باشد، نسبت به این آنتی‌بیوتیک، مقاوم در نظر گرفته شده و در فراوانی پاتوژن‌های مقاوم نیز لحاظ می‌شود.» گزارشاتی که سازمان‌هایی همچون WHO در مورد مقاومت به آنتی بیوتیک ها ارائه می‌دهند نیز با تکیه بر همین داده‌ها تهیه می‌شوند.

مقاومت به آنتی بیوتیک

پژوهش حاضر از پایگاه داده بی‌سابقه‌ای به نام ATLAS استفاده کرده است، چون داده‌های خام مربوط به مقاومت آنتی‌بیوتیکی را در برمی‌گیرد. پایگاه داده ATLAS را فایزر مدیریت می‌کند و از سال 2018 در دسترس عموم قرار گرفته است. پژوهشگران اطلاعت مربوط به 600,000 بیمار از 70 کشور را با یکدیگر مقایسه و با تکیه بر روش‌های یادگیری ماشینی، الگوی تغییر مقاومت آنتی‌بیوتیکی را استخراج کرده‌اند.

پژوهشگران دریافتند با استفاده از داده‌های خام MIC می‌توان الگوهای تغییر مقاومت آنتی‌بیوتیکی را شناسایی کرد که از طریق پایگاه‌‌های داده تجمعی مذکور قابل‌تشخیص نبوده‌اند. کاتالان توضیح می‌دهد «برای مثال فرض کنید MIC یک پاتوژن به تدریج افزایش می‌یابد؛ اما از آن‌جایی که همواره زیر آستانه مقاومت قرار دارد، با استفاده از داده‌های تجمعی که صرفاً فراوانی پاتوژن‌های مقاوم را نشان می‌دهند، الگوی تغییراتش شناسایی نمی‌شود. در حالی که با استفاده از داده‌های MIC می‌توان مواردی از این دست را تشخیص داد. ما اولین گروه پژوهشی هستیم که این پایگاه داده را به صورت عمقی بررسی و تحلیل کرده است.»

این پژوهش امکان طراحی داروهای آنتی‌بیوتیکی را فراهم می‌آورد که در کنترل عفونت‌ها و مقابله با ایجاد مقاومت در باکتری‌ها، کارآمدتر عمل می‌کنند. به گفته‌ی کاتالان، این پژوهش سعی دارد با تکیه بر مفاهیم ریاضی، راه‌های جدیدی برای استخراج الگوهای مقاومت آنتی‌بیوتیکی از بین 5/6 میلیون نمونه پیدا کند.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]