هوش مصنوعی در رویارویی با یکی از خطرناک‌ترین باکتری‌ها!

گروهی از پژوهشگران آمریکایی از یک روش جدید مبتنی بر هوش مصنوعی برای حل کردن راز سلولی باکتری عامل بیماری سل استفاده کرده‌اند تا بتوانند با آن مقابله کنند.

بیماری سل که توسط باکتری «مایکوباکتریوم توبرکلوزیس» (Mycobacterium tuberculosis) ایجاد می‌شود، کشنده‌ترین عفونت تک‌عاملی در جهان به شمار می‌رود و براساس گزارش سازمان بهداشت جهانی، مسئول ۱.۲۳ میلیون مرگ در سال ۲۰۲۴ بوده است.

به نقل از یورک‌الرت، غشای سلولی بیرونی منحصربه‌فرد این باکتری به سختی قابل نفوذ است و باعث می‌شود داروهای کمی از جمله آنتی‌بیوتیک‌ها در درمان این بیماری مؤثر باشند. اکنون یک گروه پژوهشی به سرپرستی «دانشگاه ماساچوست امهرست»(UMass Amherst)، دو روش را ارائه‌ داده‌اند که می‌توانند جست‌وجوی داروهای بهتر سل را به میزان قابل توجهی سرعت ببخشند.

روش‌های این گروه پژوهشی ابتدا بررسی می‌کنند که کدام ترکیبات شیمیایی قادر به عبور از غشای بیرونی هستند و سپس از نتیجه این بررسی‌ها برای پیش‌بینی سایر ترکیباتی استفاده می‌کنند که می‌توانند به سلول باکتری سل وارد شوند.

«اسلون سیگریست»(Sloan Siegrist) از پژوهشگران این پروژه گفت: مایکوباکتریوم توبرکلوزیس منحصربه‌فرد است. نه تنها دو غشا برای محافظت از سلول در برابر ترکیبات شیمیایی ضدمیکروبی دارد که ممکن است از آنها برای کشتن باکتری استفاده کنیم، بلکه غشای بیرونی آن نیز برخلاف هر مانع بیولوژیکی دیگری است.

به لطف همین غشای بیرونی به نام غشای «مایکوممبرین»(mycomembrane)، باکتری تا حد زیادی در برابر سیستم ایمنی بدن و آنتی‌بیوتیک‌ها مقاوم است. آزمایشگاه سیگریست در یافتن شکاف‌های غشای مایکوممبرین تخصص دارد. این شکاف‌ها برای توسعه داروهایی که می‌توانند سل را به سرعت و به طور مؤثر درمان کنند، بسیار مهم هستند.

تنها مشکل این است که تعداد بی‌شماری از ترکیبات شیمیایی وجود دارد و پژوهشگران تا همین اواخر مجبور بودند آنها را یکی‌یکی آزمایش کنند تا ببینند کدام ممکن است به سلول‌های مایکوباکتریوم توبرکلوزیس وارد شوند.

سیگریست در سال ۲۰۲۳ مقاله‌ای را با «مارکوس پیرس»(Marcos Pires) استاد شیمی «دانشگاه ویرجینیا»(University of Virginia) نوشت و از روشی به نام «PAC-MAN» رونمایی کرد که می‌تواند بسیاری از ترکیبات را به صورت موازی و نه به صورت تک‌تک آزمایش کند.

به رغم پیشرفت چشمگیر PAC-MAN، کارآیی آن کافی نبود. سیگریست گفت: من و مارکوس می‌خواستیم بررسی مواد شیمیایی شناخته‌شده را برای پیش‌بینی جذب ترکیبات مواد شیمیایی ناشناخته به کار بگیریم. بنابراین، ما زیست‌شناسان و شیمیدانان از جمله همکارم «آنا گرین»(Anna Green) از دانشکده اطلاعات و علوم رایانه دانشگاه ماساچوست امهرست را به کار گرفتیم.

تخصص گرین، استفاده از محاسبات برای درک الگوهای موجود در ترکیبات بیولوژیکی است. گرین گفت: تجزیه و تحلیل محاسباتی مولکول‌های کوچک می‌تواند دشوار باشد. از آنجا که آنها در اندازه‌های گوناگون با طیف گسترده‌ای از اتصالات مولکولی وجود دارند، نمی‌توانید آنها را با یک اندازه‌گیری واحد - مثلاً بر اساس وزن یا اندازه - توصیف کنید.

اینجاست که هوش مصنوعی وارد عمل می‌شود. گرین و اعضای آزمایشگاهش یک مدل یادگیری ماشینی به نام «مدل عصبی نفوذپذیری مایکوباکتریایی» طراحی کردند.

این مدل پس از آموزش می‌تواند پیش‌بینی کند که یک ترکیب چقدر سریع از ساختار شیمیایی خود به غشای مایکوممبرن نفوذ می‌کند و همچنین، خواص فیزیکی و زیرساخت‌های مولکولی را نشان می‌دهد که به یک ترکیب کمک می‌کنند تا از سد دفاعی مایکوباکتریوم توبرکلوزیس بگذرد.

پژوهشگران با استفاده از PAC-MAN و MycoPermeNet، مجموعه‌ای از ویژگی‌ها را شناسایی کردند که پیش‌بینی می‌کنند یک ترکیب چگونه می‌تواند مخفیانه از غشای مایکوممبرن بگذرد و در مجموعه داده‌های بزرگ دریافتند که همین ویژگی‌ها با توانایی یک ترکیب برای از بین بردن مایکوباکتریوم توبرکلوزیس نیز مرتبط هستند.

گرین گفت: غشای مایکوممبرن به برخی مولکول‌ها اجازه عبور می‌دهد و برخی دیگر را بیرون نگه می‌دارد. باید چیزی درباره این غشا و شیمی هر مولکول وجود داشته باشد که تصمیم می‌گیرد کدام مولکول‌ها وارد شوند و ابزارهای ترکیبی ما به ما کمک می‌کنند تا بفهمیم کدام مولکول‌ها می‌توانند از آن عبور کنند و دلیل آن چیست.

این پژوهش در مجله «Nature Microbiology» به چاپ رسید.

منبع: ایسنا