کشف آنتی‌بیوتیک‌های جدید توسط هوش مصنوعی

در آمریکا هرساله، بیش از 8/2 میلیون نفر به‌نوعی از عفونت‌های باکتریایی مبتلا می‌شوند که به درمان جواب نمی‌دهند و حتی برخی از این باکتری‌ها مهلک نیز هستند. این بیماری‌های عفونی نسبت به آنتی‌بیوتیک‌ها مقاوم هستند و منظور از مقاومت این است که، باکتری به نحوی جهش می‌یابد که قادر به تحمل آنتی‌بیوتیک‌های موجود بوده و دارو نمی‌تواند برای به از‌بین بردن این عفونت‌ها کاری انجام دهد. برهمین‌اساس، مقاومت باکتریایی یکی از معضلات جدی سراسر دنیا به شمار می‌رود. پزشکان برای مقابله با این مشکل، به کشف آنتی‌بیوتیک‌های جدید و دسته‌های جدید دارویی نیاز دارند، یعنی داروهایی که باکتری‌ها قبلاً آنها را ندیده‌اند و علیه آن‌ها مقاوم نیستند.

باوجود‌این‌، ساخت آنتی‌بیوتیک‌های جدید به زمان، پژوهش و هزینه‌ بالایی نیاز داشته و از‌طرفی می‌تواند فرایندی پر از خطا نیز باشد. به همین دلیل، برخی پژوهشگران به توان پیش‌بینی هوش مصنوعی روی آورده‌اند، تا به کمک آن بتوانند امیدوارکننده‌ترین سرنخ‌ها را با دقت بالاتری پیدا و انتخاب نمایند.

استفاده از این فناوری را می‌توان تغییر الگو در کشف دارو دانست. یافته‌های پژوهشی جدید حاکی از ظرفیت هوش مصنوعی، در ساده‌سازی فرایند انتخاب آنتی‌بیوتیک‌های بالقوه بوده است. این مقاله‌ از سوی NIH پشتیبانی شده و در ژورنال Molecular Systems Biology چاپ گردیده است. البته این یافته‌ها بر نقاط‌ ضعف رویکرد مذکور نیز تأکید کرده و نشان داده‌اند که، بهینه‌سازی قابلیت‌های پیش‌بینی این فناوری، مستلزم اعمال تغییراتی است.

کشف آنتی‌بیوتیک توسط AlphaFold

پژوهش مذکور که به کشف آنتی‌بیوتیک توسط هوش مصنوعی پرداخته، در آزمایشگاه جیمز کالینز، پژوهشگر دانشگاه MIT، و به‌عنوان بخشی از پروژه آنتی‌بیوتیک- هوش مصنوعی وی انجام شده است. کالینز قصد دارد تا با ساخت 7 دسته آنتی‌بیوتیک جدید، 7 مورد از مهلک‌ترین پاتوژن‌های باکتریایی دنیا را، تنها در عرض 7 سال نابود کند. آن‌چه بر اهمیت این پروژه می‌افزاید این نکته است که، طی 50 سال گذشته تنها 2 دسته آنتی‌بیوتیک جدید وارد بازار شده است.

در راستای کشف آنتی‌بیوتیک‌های جدید، کالینز و همکارانش یک نرم‌افزار هوش مصنوعی به نام AlphaFold2 را مورد بررسی قرار دادند. اگر نام AlphaFold به نظرتان آشنا می‌رسد، به‌خاطر قابلیت این نرم‌افزار در پیش‌بینی ساختارهای پروتئینی است، که موفق شده جایزه‌ «برترین کشف سال» Science Magazine در سال 2020 از آن خود کند. این نرم‌افزار تاکنون برای پیش‌بینی ساختار بیش از 200  میلیون پروتئین، که تقریباً تمام پروتئین‌های شناخته‌شده جهان است، به کار گرفته شده.

AlphaFold با تکیه بر رویکرد یادگیری عمیق، ساختار مولکول‌های پروتئین را بر اساس توالی آمینواسیدهایشان پیش‌بینی می‌کند و بدین ترتیب، از نظر هزینه و زمان، از سایر تکنیک‌های نگاشت پروتئین پیشی گرفته است.

در مدل‌های یادگیری عمیق که برای پیش‌بینی ساختار پروتئین استفاده می‌شود، کامپیوترها بر اساس داده‌های موجود آموزش می‌بینند. کامپیوترها روابط پیچیده در داده‌های آموزشی را آموخته و مدلی می‌سازند که برای پیش‌بینی ساختار سه‌بُعدی پروتئین‌ها، بر اساس توالی‌های خطی آمینواسیدی به کار می‌رود. این مدل‌ها نیازی به انجام آزمایشات فیزیکی ندارند.

کشف آنتی‌بیوتیک توسط هوش مصنوعی

کالینز و همکارانش امیدوارند تا با ترکیب AlphaFold با شبیه‌سازی‌های کامپیوتری به‌کاررفته در حوزه‌ کشف دارو، به روشی جدید برای پیش‌بینی تعاملات بین پروتئین‌های باکتریایی و ترکیبات آنتی‌بیوتیکی دست یابند. در این صورت، قادر خواهند بود میلیون‌های ترکیب دارویی ساختگی که پروتئین‌های باکتریایی را هدف قرار می‌دهند، به‌سرعت غربال کنند. این در حالی است که، آنتی‌بیوتیک‌های موجود قادر به انجام چنین کاری نیستند. این فناوری امکان کشف آنتی بیوتیک توسط هوش مصنوعی را نیز فراهم خواهد آورد و این دقیقاً همان چیزی است که پزشک‌ها برای مقابله با مقاومت آنتی‌بیوتیکی نیاز دارند.

کالینز و همکارانش، برای آزمایش این روش، در ابتدا روی ساختارهای پیش‌بینی شده مربوط به 296 پروتئین از باکتری ای‌کولای و 218 ترکیب آنتی‌باکتریایی تمرکز کردند. سپس از طریق شبیه‌سازی‌های کامپیوتری و بر اساس شکل و خواص فیزیکی مولکول‌ها، پیش‌بینی کردند که هر جفت ممکن از پروتئین و آنتی‌باکتری چطور به یکدیگر متصل می‌شوند.

نتیجه‌ تحلیل‌ها برای کشف آنتی‌بیوتیک‌های جدید نشان داد که، غربال تعداد زیادی ترکیب آنتی‌باکتری در مقابل تعداد زیادی پروتئین هدف در باکتری ای‌کولای، به پیش‌بینی‌های غیردقیق و نادرست می‌انجامد. برای مثال، هنگام مقایسه‌ پیش‌بینی‌های محاسباتی با تعاملات واقعی 12 پروتئین که به‌صورت فیزیکی در آزمایشگاه اندازه‌گیری شدند، مشخص شد که احتمال موفقیت مدل نمونه تنها 50 به 50 است. به‌بیان‌دیگر، عملکرد مدل در پیش‌بینی تعاملات بین داروها و پروتئین‌ها از حدس و برآورد تصادفی بهتر نبود.

پیشرفت داده‌های زیست‌شیمیایی

در حال حاضر، پژوهشگران یک دلیل را برای عملکرد ضعیف مدل در نظر دارند. ساختارهای پروتئینی که برای آموزش کامپیوتر به کار برده‌اند انعطاف‌پذیر نیستند، یعنی مانند آن‌چه در واقعیت می‌بینیم، خواص فیزیکی خود را تغییر نمی‌دهند. این گروه برای ارتقای عملکرد مدل، پیش‌بینی‌ها را به گروهی از مدل‌های یادگیری ماشینی تغذیه کردند، که شیوه‌ تغییر ساختار و تعامل پروتئین‌ها و سایر مولکول‌ها را آموخته بودند. با‌این‌که این مدل‌ها به نتایج بهتری دست یافتند، پژوهشگران معتقدند که یافته‌ها هنوز صلاحیت کافی برای کاربرد در کشف داروهای جدید و پروتئین‌های هدف را ندارند.

آزمایشگاه کالینز قصد دارد، تا به آموزش کامپیوترها روی داده‌های زیست-شیمیایی و زیست-فیزیکی ادامه دهد، تا به پیش‌بینی‌های بهتر کمک کند. بنابراین، پژوهش یادشده را باید روندی رو به پیشرفت در نظر گرفت، که با گذر زمان بهتر و بهتر نیز می‌شود.

با تمامی این اوصاف و در نظر گرفتن روند پیشرفت داده‌های زیست‌شیمیایی باید این نکته را یادآور شد که، کشف دسته‌های جدید آنتی‌بیوتیک‌ها کار آسانی نیست، حتی اگر به دست فناوری قدرتمندی همچون هوش مصنوعی‌ انجام شود. در صورت تحقق چنین سیستم‌هایی، پزشکان سلاحی جدید به دست می‌آورند، تا با افزایش بیماری‌های عفونی ناشی از مقاومت آنتی‌بیوتیکی مقابله کنند.

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