محققان از هوش مصنوعی برای بهبود تشخیص عفونت‌های مقاوم به دارو استفاده می‌کنند

به گزارش گروه دانشگاه خبرگزاری دانشجو، عفونت‌های مقاوم به دارو - به‌ویژه از باکتری‌های کشنده مانند سل و استاف - یک بحران رو به رشد بهداشت جهانی است. درمان این عفونت‌ها سخت‌تر است، اغلب به دارو‌های گران‌تر یا سمی‌تر نیاز دارند و مسئول بستری طولانی‌تر در بیمارستان و میزان مرگ و میر بالاتر هستند. تنها در سال ۲۰۲۱، ۴۵۰۰۰۰ نفر به سل مقاوم به چند دارو مبتلا شدند که میزان موفقیت درمان تنها به ۵۷ درصد کاهش یافته است.

اکنون، دانشمندان دانشگاه تولین روش جدیدی مبتنی بر هوش مصنوعی ایجاد کرده‌اند که نشانگر‌های ژنتیکی مقاومت آنتی‌بیوتیکی را در مایکوباکتریوم توبرکلوزیس و استافیلوکوکوس اورئوس با دقت بیشتری شناسایی می‌کند - که به طور بالقوه منجر به درمان‌های سریع‌تر و مؤثرتر می‌شود.

یک مطالعه Tulane که در Nature Communications منتشر شده است، یک مدل انجمن گروهی جدید (GAM) را معرفی می‌کند که از یادگیری ماشینی برای شناسایی جهش‌های ژنتیکی مرتبط با مقاومت دارویی استفاده می‌کند. برخلاف ابزار‌های سنتی، که به اشتباه می‌توانند جهش‌های نامرتبط را به مقاومت مرتبط کنند، GAM به دانش قبلی در مورد مکانیسم‌های مقاومت متکی نیست، و این باعث انعطاف‌پذیری بیشتر و توانایی یافتن تغییرات ژنتیکی ناشناخته قبلی می‌شود.

روش‌های کنونی تشخیص مقاومت که توسط سازمان‌هایی مانند WHO مورد استفاده قرار می‌گیرد یا بسیار طولانی است - مانند آزمایش‌های مبتنی بر فرهنگ - یا مانند برخی از آزمایش‌های مبتنی بر DNA، جهش‌های نادر را از دست می‌دهند. مدل Tulane هر دو مشکل را با تجزیه و تحلیل توالی ژنوم کامل و مقایسه گروه‌هایی از سویه‌های باکتریایی با الگو‌های مقاومت متفاوت برای یافتن تغییرات ژنتیکی که به طور قابل اعتمادی مقاومت به دارو‌های خاص را نشان می‌دهند، برطرف می‌کند.

نویسنده ارشد تونی هو، دکترا، رئیس ریاست جمهوری Weatherhead در نوآوری‌های بیوتکنولوژی و مدیر مرکز Tulane برای تشخیص سلولی و مولکولی، می‌گوید: «به این فکر کنید که از کل اثر انگشت ژنتیکی باکتری برای کشف چیزی که آن را در برابر آنتی بیوتیک‌های خاص مصون می‌کند، فکر کنید. ما اساساً به رایانه یاد می‌دهیم که الگو‌های مقاومت را بدون نیاز به اشاره به آنها تشخیص دهد.»

در این مطالعه، محققان GAM را روی بیش از ۷۰۰۰ سویه Mtb و نزدیک به ۴۰۰۰ سویه استافیلوکوکوس اورئوس اعمال کردند و جهش‌های کلیدی مرتبط با مقاومت را شناسایی کردند. آنها دریافتند که GAM نه تنها با دقت پایگاه داده مقاومت سازمان جهانی بهداشت مطابقت دارد یا از آن فراتر می‌رود، بلکه به طور قابل توجهی نتایج مثبت کاذب را کاهش می‌دهد، نشانگر‌های مقاومت به اشتباه شناسایی شده است که می‌تواند منجر به درمان نامناسب شود.

جولیان سالیبا، نویسنده ارشد این مقاله، دانشجوی فارغ التحصیل در مرکز تشخیص سلولی و مولکولی دانشگاه تولان، گفت: آزمایش‌های ژنتیکی کنونی ممکن است به اشتباه باکتری‌ها را به عنوان مقاوم طبقه‌بندی کنند که بر مراقبت از بیمار تأثیر می‌گذارد. روش ما تصویر واضح‌تری از اینکه کدام جهش‌ها واقعاً باعث مقاومت می‌شوند، کاهش تشخیص‌های اشتباه و تغییرات غیرضروری در درمان ارائه می‌دهد.

وقتی با یادگیری ماشین ترکیب شد، توانایی پیش‌بینی مقاومت با داده‌های محدود یا ناقص بهبود یافت. در مطالعات اعتبارسنجی با استفاده از نمونه‌های بالینی از چین، مدل تقویت‌شده یادگیری ماشینی از روش‌های مبتنی بر WHO در پیش‌بینی مقاومت به آنتی‌بیوتیک‌های کلیدی خط مقدم بهتر عمل کرد.

این مهم است، زیرا تشخیص زودهنگام مقاومت می‌تواند به پزشکان کمک کند تا قبل از گسترش یا بدتر شدن عفونت، رژیم درمانی مناسبی را تنظیم کنند.

توانایی این مدل برای تشخیص مقاومت بدون نیاز به قوانین تعریف شده توسط متخصص نیز به این معنی است که می‌تواند به طور بالقوه برای باکتری‌های دیگر یا حتی در کشاورزی، جایی که مقاومت آنتی‌بیوتیکی در محصولات کشاورزی نیز یک نگرانی است، اعمال شود.

سلیبا گفت: این حیاتی است که ما از عفونت‌های مقاوم به دارو که همیشه در حال تکامل هستند جلوتر بمانیم. این ابزار می‌تواند به ما در انجام این کار کمک کند.