كيف يساعد الذكاء الاصطناعي في التنبؤ بمقاومة المضادات الحيوية؟

تُشكّل العدوى المقاومة للأدوية، وخاصةً تلك الناتجة عن بكتيريا قاتلة مثل السل والمكورات العنقودية، أزمة صحية عالمية متنامية.

ويصعب علاج هذه العدوى، وغالبًا ما تتطلب أدوية أكثر تكلفة أو سامة، وتتسبب في إطالة مدة الإقامة في المستشفى وارتفاع معدلات الوفيات.

ففي عام 2021 وحده، أصيب 450 ألف شخص بالسل المقاوم للأدوية المتعددة، مع انخفاض معدلات نجاح العلاج إلى 57% فقط، وفقًا لمنظمة الصحة العالمية.

الآن، قام علماء جامعة تولين بتطوير طريقة جديدة تعتمد على الذكاء الاصطناعي يمكنها الكشف بشكل أكثر دقة عن العلامات الجينية لمقاومة المضادات الحيوية في بكتيريا السل والمكورات العنقودية الذهبية - مما قد يؤدي إلى علاجات أسرع وأكثر فعالية.

تُقدّم دراسةٌ في جامعة تولين نموذجًا جديدًا لارتباط المجموعات (GAM)، يستخدم التعلّم الآلي لتحديد الطفرات الجينية المرتبطة بمقاومة الأدوية.

بخلاف الأدوات التقليدية، التي قد تربط طفراتٍ غير مرتبطةٍ بالمقاومة، لا يعتمد نموذج GAM على المعرفة المسبقة بآليات المقاومة، مما يجعله أكثر مرونةً وقدرةً على اكتشاف التغيرات الجينية غير المعروفة سابقًا.

نُشرت المقالة في مجلة Nature Communications.

إن الطرق الحالية للكشف عن المقاومة التي تستخدمها منظمات مثل منظمة الصحة العالمية إما تستغرق وقتًا طويلاً - مثل الاختبارات القائمة على الزراعة - أو تغفل الطفرات النادرة، كما هو الحال في بعض الاختبارات القائمة على الحمض النووي.

يعالج نموذج تولين هاتين المشكلتين من خلال تحليل تسلسلات الجينوم الكاملة ومقارنة مجموعات من السلالات البكتيرية ذات أنماط المقاومة المختلفة للعثور على تغيرات جينية تشير بشكل موثوق إلى مقاومة أدوية محددة.

قال المؤلف الرئيسي الدكتور توني هو: "تخيلوا الأمر كما لو أننا نستخدم البصمة الجينية الكاملة للبكتيريا لاكتشاف ما يجعلها منيعة ضد بعض المضادات الحيوية".

وأضاف: "نحن في الأساس نُعلّم الحاسوب كيفية التعرّف على أنماط المقاومة دون الحاجة إلى تحديدها من قبلنا".

تفاصيل الدراسة

في هذه الدراسة، طبّق الباحثون تقنية GAM على أكثر من 7000 سلالة من المتفطرات السلية ونحو 4000 سلالة من المكورات العنقودية الذهبية، لتحديد الطفرات الرئيسية المرتبطة بالمقاومة، ووجدوا أن تقنية GAM لم تضاهِ أو تتجاوز دقة قاعدة بيانات منظمة الصحة العالمية للمقاومة فحسب، بل قلّلت أيضًا بشكل كبير من النتائج الإيجابية الكاذبة، وهي مؤشرات خاطئة للمقاومة قد تؤدي إلى علاج غير مناسب.

قال جوليان صليبا، الباحث الرئيسي في مركز جامعة تولين للتشخيص الخلوي والجزيئي: "قد تُصنّف الاختبارات الجينية الحالية البكتيريا بشكل خاطئ على أنها مقاومة، مما يؤثر على رعاية المرضى".

وأضاف: "توفر طريقتنا صورة أوضح عن الطفرات التي تُسبب المقاومة بالفعل، مما يُقلل من التشخيص الخاطئ والتغييرات غير الضرورية في العلاج".

عند دمجه مع التعلم الآلي، تحسّنت القدرة على التنبؤ بمقاومة المضادات الحيوية باستخدام بيانات محدودة أو غير كاملة.

وفي دراسات التحقق باستخدام عينات سريرية من الصين، تفوق النموذج المُحسّن بالتعلم الآلي على أساليب منظمة الصحة العالمية في التنبؤ بمقاومة المضادات الحيوية الرئيسية المُستخدمة في الخطوط الأمامية.

هذا أمر مهم لأن اكتشاف المقاومة في وقت مبكر يمكن أن يساعد الأطباء على تصميم نظام العلاج المناسب قبل انتشار العدوى أو تفاقمها.

وتعني قدرة النموذج على اكتشاف المقاومة دون الحاجة إلى قواعد محددة من قبل الخبراء أيضًا أنه من الممكن تطبيقه على بكتيريا أخرى أو حتى في الزراعة، حيث تشكل مقاومة المضادات الحيوية أيضًا مصدر قلق في المحاصيل.

قال صليبا: "من الضروري أن نبقى على أهبة الاستعداد لمواجهة العدوى المقاومة للأدوية المتطورة باستمرار . ويمكن لهذه الأداة أن تساعدنا في تحقيق ذلك".