در شرایطی که مقاومت آنتیبیوتیکی به یکی از جدیترین چالشهای سلامت عمومی تبدیل شده، پژوهشگران از یک ابزار مبتنی بر هوش مصنوعی برای سرعتبخشیدن به طراحی ترکیبات ضدباکتری استفاده کردهاند. طبق اعلام مؤسسه ملی سلامت آمریکا، این ابزار که ApexGo نام دارد، میتواند پپتیدهای ضدباکتری موجود را بررسی و نسخههای بهینهتری از آنها پیشنهاد کند. نتایج اولیه این پژوهش نشان میدهد که بسیاری از ترکیبات طراحیشده در آزمایشگاه توانستهاند علیه باکتریها اثرگذار باشند. با این حال، این یافتهها هنوز در مرحله پژوهشی و پیشبالینی قرار دارند و به معنای ورود فوری یک آنتیبیوتیک جدید به بازار نیستند.
ابزار ApexGo چگونه به توسعه آنتیبیوتیک کمک میکند؟
بر اساس گزارش NIH Research Matters، گروهی از پژوهشگران با حمایت مؤسسه ملی سلامت آمریکا و با هدایت پژوهشگرانی از دانشگاه پنسیلوانیا، سامانهای مبتنی بر هوش مصنوعی را برای بهبود ترکیبات ضدباکتری طراحی و آزمایش کردهاند. این مطالعه در تاریخ ۱۳ مه ۲۰۲۶ در مجله علمی Nature Machine Intelligence منتشر شده است.
ابزار جدید ApexGo بر پایه سامانهای پیشین به نام APEX توسعه یافته است. APEX برای شناسایی پپتیدهای بالقوه ضدباکتری در مجموعههای بزرگ داده زیستی طراحی شده بود. نسخه جدید یعنی ApexGo یک گام جلوتر میرود و تنها به شناسایی گزینههای احتمالی اکتفا نمیکند؛ بلکه تغییراتی را در ساختار پپتیدهای موجود پیشنهاد میدهد تا احتمال اثرگذاری آنها علیه باکتریها بیشتر شود.
پپتیدها زنجیرههایی از اسیدهای آمینه هستند که در بسیاری از موجودات زنده نقش دفاعی دارند. برخی از این مولکولها میتوانند با آسیبزدن به غشای سلولی باکتریها، رشد یا بقای آنها را مختل کنند. همین ویژگی باعث شده پپتیدهای ضدباکتری به یکی از حوزههای مهم در کشف آنتیبیوتیکهای جدید تبدیل شوند.
چرا مقاومت آنتیبیوتیکی نگرانکننده است؟
مقاومت آنتیبیوتیکی زمانی رخ میدهد که باکتریها در برابر داروهایی که پیشتر برای درمان عفونتها مؤثر بودند، مقاوم میشوند. در چنین شرایطی، درمان عفونتهای شایع دشوارتر، طولانیتر و پرهزینهتر خواهد شد. این مسئله بهویژه برای بیماران بستری، افراد دارای بیماریهای زمینهای، سالمندان و کسانی که سیستم ایمنی ضعیفتری دارند اهمیت بیشتری دارد.
توسعه آنتیبیوتیکهای جدید معمولاً فرآیندی طولانی، پرهزینه و همراه با شکستهای متعدد است. پژوهشگران باید هزاران ترکیب را بررسی کنند تا گزینههایی را پیدا کنند که هم بر باکتریها اثر بگذارند و هم از نظر ایمنی و کارایی ظرفیت تبدیلشدن به دارو را داشته باشند. استفاده از هوش مصنوعی در این مرحله میتواند غربالگری و بهینهسازی اولیه ترکیبات را سریعتر و هدفمندتر کند.
نتایج آزمایش ابزار هوش مصنوعی چه بود؟
در این پژوهش، محققان کار خود را با ۱۰ پپتید آغاز کردند که از موجودات منقرضشده الهام گرفته شده بودند. این پپتیدها در بررسیهای اولیه ظرفیت ضدباکتری نشان داده بودند، اما هنوز برای تبدیلشدن به گزینه درمانی نیاز به بهبود داشتند.
ApexGo برای هر یک از این ۱۰ پپتید، ۱۰ نسخه بهینهشده پیشنهاد کرد. در مجموع، ۱۰۰ پپتید جدید طراحی و سپس در محیط آزمایشگاهی علیه باکتریهای رشد دادهشده بررسی شد.
یافتههای کلیدی پژوهش
-
از میان ۱۰۰ پپتید بهینهشده، ۸۶ مورد توانستند دستکم یک نوع باکتری را از بین ببرند.
-
۶۸ درصد از پپتیدهای بهینهشده نسبت به نسخه اولیه خود عملکرد ضدباکتری بهتری نشان دادند.
-
در آزمایشهای حیوانی، برخی نسخههای بهینهشده نسبت به پپتیدهای اولیه اثر بیشتری در مقابله با عفونت داشتند.
-
در مدلهای موشی مبتلا به عفونت مقاوم به آنتیبیوتیک، ترکیبات بهینهشده با هوش مصنوعی از نظر اثرگذاری با برخی آنتیبیوتیکهای قدرتمند موجود قابل مقایسه بودند.
این نتایج نشان میدهد که هوش مصنوعی میتواند در مرحله طراحی و انتخاب ترکیبات دارویی نقش کمککننده داشته باشد. با این حال، باید توجه داشت که نتایج آزمایشگاهی و حیوانی همیشه بهطور مستقیم به موفقیت در انسان منجر نمیشوند.
این خبر چه اهمیتی دارد؟
اهمیت این خبر در این است که پژوهشگران فقط از هوش مصنوعی برای پیشبینی اثر یک مولکول استفاده نکردهاند، بلکه از آن برای بهتر کردن مولکولهای موجود بهره بردهاند. این تفاوت میتواند در کشف آنتیبیوتیکهای آینده مهم باشد؛ زیرا بسیاری از ترکیبات امیدوارکننده در مراحل اولیه، به دلیل اثر ناکافی یا محدودیتهای دیگر کنار گذاشته میشوند.
اگر ابزارهایی مانند ApexGo بتوانند این ترکیبات را سریعتر اصلاح و به گزینههای قویتر تبدیل کنند، روند اولیه کشف دارو ممکن است کوتاهتر شود. این موضوع برای مقابله با عفونتهای مقاوم، بهویژه در بیمارستانها و مراکز درمانی، اهمیت زیادی دارد.
برای عموم مردم، پیام اصلی این خبر آن است که پژوهشهای علمی برای پاسخ به بحران مقاومت آنتیبیوتیکی در حال حرکت به سمت روشهای دقیقتر و فناورانهتر هستند. با این حال، این پیشرفتها به معنای بینیازشدن از مصرف درست آنتیبیوتیکها نیست. مصرف خودسرانه آنتیبیوتیک، قطع زودهنگام دارو یا استفاده از داروی باقیمانده دیگران همچنان میتواند به افزایش مقاومت میکروبی کمک کند.
آیا این فناوری بهزودی به داروی جدید تبدیل میشود؟
پاسخ قطعی در حال حاضر مشخص نیست. نتایج این پژوهش امیدوارکننده است، اما هنوز در مراحل اولیه قرار دارد. برای تبدیل یک ترکیب ضدباکتری به داروی قابل استفاده در انسان، مراحل متعددی باید طی شود؛ از جمله بررسی دقیقتر ایمنی، تعیین دوز مناسب، ارزیابی عوارض احتمالی و انجام کارآزماییهای بالینی انسانی.
بنابراین، ApexGo را باید یک ابزار پژوهشی مهم در مسیر توسعه آنتیبیوتیک دانست، نه یک درمان آماده. هیچ فردی نباید بر اساس چنین گزارشهایی مصرف آنتیبیوتیک خود را شروع، قطع یا تغییر دهد. تصمیمگیری درباره درمان عفونتها باید فقط با نظر پزشک انجام شود.
جمعبندی
پژوهش تازه منتشرشده نشان میدهد که هوش مصنوعی میتواند در طراحی و بهینهسازی پپتیدهای ضدباکتری نقش مؤثری داشته باشد. ابزار ApexGo توانسته در آزمایشهای اولیه، نسخههایی از پپتیدها را پیشنهاد کند که در بسیاری از موارد عملکرد بهتری علیه باکتریها داشتهاند. این دستاورد میتواند به توسعه سریعتر گزینههای جدید برای مقابله با مقاومت آنتیبیوتیکی کمک کند، اما هنوز برای کاربرد بالینی در انسان به تحقیقات بیشتر و بررسیهای ایمنی گسترده نیاز دارد.
