مقاومت آنتی‌بیوتیکی، به عنوان یکی از بزرگ‌ترین چالش‌های بهداشت جهانی، جان میلیون‌ها انسان را در سراسر جهان تهدید می‌کند. تشخیص سریع و دقیق این مقاومت، نقشی حیاتی در انتخاب درمان مناسب و نجات جان بیماران ایفا می‌کند. در این میان، هوش مصنوعی با قابلیت‌های بی‌نظیر خود، به عنوان ابزاری قدرتمند در عرصه پزشکی، تحولی عظیم در تشخیص مقاومت آنتی‌بیوتیکی باکتری‌های کشنده ایجاد کرده است. استفاده از الگوریتم‌های پیشرفته هوش مصنوعی، امکان تحلیل داده‌های ژنتیکی و شناسایی نشانگرهای مقاومت را با دقتی بی‌سابقه فراهم می‌کند. در این گزارش، به بررسی جزئیات این فناوری نوین و تاثیرات آن بر آینده درمان بیماری‌های عفونی می‌پردازیم.
هوش مصنوعی ناجی بیماران عفونی؛ تشخیص دقیق مقاومت آنتی‌بیوتیکی، درمان سریع‌تر!
عفونت‌های مقاوم به دارو، به ویژه آن‌هایی که از باکتری‌های خطرناکی نظیر سل و استافیلوکوک می‌آیند، به یک بحران فزاینده در حوزه بهداشت جهانی تبدیل شده‌اند. درمان این عفونت‌ها دشوارتر است، اغلب نیازمند داروهای گران‌قیمت‌تر یا سمی‌تر بوده و منجر به بستری طولانی‌تر در بیمارستان و افزایش نرخ مرگ و میر می‌شوند. تنها در سال ۲۰۲۱، بالغ بر ۴۵۰ هزار نفر به سل مقاوم به چند دارو مبتلا شدند که میزان موفقیت درمان در این افراد تنها ۵۷ درصد گزارش شده است.
اکنون، دانشمندان دانشگاه تولان با بهره‌گیری از قدرت هوش مصنوعی، روش نوینی را ابداع کرده‌اند که قادر است نشانگرهای ژنتیکی مقاومت آنتی‌بیوتیکی را در باکتری‌های مایکوباکتریوم توبرکلوزیس (عامل بیماری سل) و استافیلوکوکوس اورئوس (عامل بسیاری از عفونت‌های پوستی و خونی) با دقت بسیار بالاتری شناسایی کند. این دستاورد مهم، به طور بالقوه می‌تواند منجر به تشخیص سریع‌تر و درمان‌های مؤثرتر برای این عفونت‌های چالش‌برانگیز شود.
بر اساس مطالعه‌ای که در مجله معتبر Nature Communications منتشر شده است، یک مدل همکاری گروهی جدید (GAM) که از الگوریتم‌های یادگیری ماشین برای شناسایی جهش‌های ژنتیکی مرتبط با مقاومت دارویی استفاده می‌کند، برخلاف ابزارهای سنتی، نیازی به دانش قبلی در مورد مکانیسم‌های مقاومت ندارد. این ویژگی، انعطاف‌پذیری بیشتری به این روش می‌بخشد و امکان شناسایی تغییرات ژنتیکی ناشناخته قبلی را فراهم می‌کند. در مقابل، ابزارهای سنتی ممکن است به اشتباه جهش‌های نامرتبط را به مقاومت دارویی نسبت دهند.
روش‌های فعلی تشخیص مقاومت که توسط سازمان‌هایی نظیر سازمان بهداشت جهانی به کار گرفته می‌شوند، یا زمان‌بر هستند یا، مانند برخی از آزمایش‌های مبتنی بر DNA، قادر به تشخیص جهش‌های نادر نیستند. مدل جدید GAM با تجزیه و تحلیل توالی کامل ژنوم باکتری و مقایسه گروه‌هایی از سویه‌های باکتریایی با الگوهای مقاومت متفاوت، به دنبال یافتن تغییرات ژنتیکی است که به طور قابل اعتماد مقاومت به داروهای خاص را نشان می‌دهند و بدین ترتیب، هر دو مشکل روش‌های پیشین را برطرف می‌کند.
در این مطالعه، محققان مدل GAM را بر روی بیش از ۷۰۰۰ سویه باکتری سل و نزدیک به ۴۰۰۰ سویه استافیلوکوکوس اورئوس اعمال کردند و موفق به شناسایی جهش‌های کلیدی مرتبط با مقاومت دارویی در این باکتری‌ها شدند. آنها دریافتند که دقت مدل GAM نه تنها با پایگاه داده مقاومت سازمان جهانی بهداشت مطابقت دارد یا از آن فراتر می‌رود، بلکه به طور قابل توجهی میزان نتایج مثبت کاذب را نیز کاهش می‌دهد.
جولیان سالیبا (Julian Saliba)، نویسنده ارشد این مقاله و دانشجوی فارغ‌التحصیل در مرکز تشخیص سلولی و مولکولی دانشگاه تولان، در این باره می‌گوید: “آزمایش‌های ژنتیکی کنونی ممکن است به اشتباه برخی باکتری‌ها را به عنوان مقاوم طبقه‌بندی کنند که این امر بر نحوه مراقبت از بیمار تاثیر منفی می‌گذارد. روش ما تصویر واضح‌تری از اینکه کدام جهش‌ها واقعاً باعث مقاومت می‌شوند ارائه می‌دهد و بدین ترتیب، تشخیص‌های اشتباه و تغییرات غیرضروری در درمان را کاهش می‌دهد.”
این دستاورد از اهمیت بسزایی برخوردار است، زیرا تشخیص زودهنگام مقاومت دارویی می‌تواند به پزشکان کمک کند تا قبل از گسترش یا بدتر شدن عفونت، رژیم درمانی مناسب و مؤثر را برای بیمار تنظیم کنند.
توانایی این مدل در تشخیص مقاومت بدون نیاز به قوانین تعریف شده توسط متخصص، همچنین بدان معناست که این روش به طور بالقوه می‌تواند برای شناسایی مقاومت در سایر باکتری‌ها یا حتی در حوزه کشاورزی، جایی که مقاومت آنتی‌بیوتیکی در محصولات کشاورزی نیز یک نگرانی رو به رشد است، مورد استفاده قرار گیرد. این پژوهش، گامی مهم در جهت مقابله با بحران جهانی مقاومت آنتی‌بیوتیکی محسوب می‌شود و نویدبخش توسعه روش‌های تشخیصی سریع‌تر و دقیق‌تر برای بهبود درمان عفونت‌های مقاوم به دارو است.
