Süni intellekt dəstəkli dərmanların yenidən təyinatlandırılması (AI-driven drug repurposing), əvvəllər təsdiqlənmiş və ya tədqiqat mərhələsində olan dərmanların yeni antimikrob tətbiq sahələrini məlumat nümunələrini öyrənən alqoritmlərlə proqnozlaşdırmağı və ya prioritetləşdirməyi hədəfləyən hesablama əsaslı dərman inkişafı yanaşmasıdır. Bu icmal çoxlu dərmana davamlı (multidrug-resistant, MDR) bakterial infeksiyalarda maşın öyrənməsi, dərin öyrənmə, qraf sinir şəbəkələri və təbii dil emalının rolunu; şəbəkə farmakologiyası, molekulyar docking və molekulyar dinamika kimi AI-yə yaxın üsullardan ayıraraq qiymətləndirir. Tədqiqat yeni model və ya yeni eksperimental məlumat yaratmır; 2020-ci ilin yanvarından 2026-cı ilin sentyabrınadək ədəbiyyatı PubMed/MEDLINE, Scopus və Web of Science vasitəsilə araşdırır və seçilmiş dərman nümunələrində AI-nin real rolunu və sübut səviyyəsini tənqidi şəkildə təsnif edir.

İcmalın ən mühüm nəticəsi budur ki, “hesablama üsulundan istifadə edilib” və “dərman AI tərəfindən kəşf edilib” ifadələri eyni məna daşımır. Araşdırılan nümunələr arasında halicin, antibakterial aktivliyi dərin öyrənmə modeli tərəfindən prioritetləşdirilmiş aydın AI-kəşfi nümunəsidir. Bunun əksinə, auranofin, fenotiazinlər, disulfiram, sertralin və klofazimin üçün antibakterial aktivliyin kəşfində təsdiqlənmiş AI rolu göstərilməmişdir. Bu dərmanların antimikrob xüsusiyyətləri eksperimental tədqiqatlardan və ya klinik istifadədən artıq məlum idi.

Sübut səviyyəsi baxımından halicin üçün icmalda hesablama əsaslı AI, in vitro və siçan modeli sübutları mövcuddur, lakin klinik effektivlik sübutu yoxdur. Auranofin, fenotiazinlər, disulfiram və sertralin bu icmalda əsasən in vitro sübutlarla dəstəklənir. Klofazimin klinik olaraq cüzam və çoxlu dərmana davamlı vərəm rejimlərində istifadə olunan dərmandır; lakin bu klinik istifadə AI tərəfindən kəşf edilmiş antibakterial yenidən təyinatlandırma deyil.

İcmal həmçinin AI modellərinin dəqiqliyini qiymətləndirərkən random train–test split, məlumat sızması, sinif balanssızlığı, yeni kimyəvi skeletlərə ümumiləşdirmə və xarici doğrulama problemlərinə diqqət çəkir. Random bölmədə bir-birinə çox bənzər molekullar həm təlim, həm də test qrupuna düşə bildiyi üçün performans olduğundan yüksək görünə bilər. Scaffold-based və ya zaman əsaslı bölmə əvvəllər görülməmiş kimyəvi siniflərə ümumiləşdirməni daha real şəkildə sınaqdan keçirir.

Mənbənin əsas translasion mesajı budur: AI modelinin yüksək bal verdiyi birləşmə hələ dərman deyil. Hesablama namizədinin real dəyəri standartlaşdırılmış in vitro həssaslıq testləri, sitotoksiklik, lazım gəldikdə mexanizm tədqiqatları, heyvan modelləri, farmakokinetik/farmakodinamik qiymətləndirmə və nəhayət, nəzarətli klinik tədqiqatlarla göstərilməlidir. Xüsusilə infeksiya ocağında təhlükəsiz dozalarla kifayət qədər sərbəst dərman konsentrasiyasına çatmaq mümkün deyilsə, güclü in vitro aktivlik klinik olaraq fayda verməyə bilər.

İcmalın öz metodoloji sərhədi də mühümdür. Müəlliflər üç əsas biblioqrafik məlumat bazasını və ədəbiyyat siyahısının əl ilə taranmasını açıqlayırlar; lakin PRISMA axını, tam axtarış sətirləri, tarama/xaricetmə sayları, iki müstəqil qiymətləndirici prosesi və ya formal risk-of-bias üsulu bildirilməmişdir. Buna görə tədqiqat sistematik icmal və ya meta-analiz kimi deyil, strukturlaşdırılmış ədəbiyyat axtarışına əsaslanan tənqidi icmal kimi şərh edilməlidir.

Süni İntellekt Dəstəkli Dərmanların Yenidən Təyinatlandırılması Nədir?

Süni intellekt dəstəkli dərmanların yenidən təyinatlandırılması mövcud təsdiqlənmiş və ya tədqiqat mərhələsindəki birləşmələrin yeni antimikrob tətbiq sahələrini proqnozlaşdırmaq və ya prioritetləşdirmək üçün məlumatdan statistik və ya təmsilçi nümunələr öyrənən maşın öyrənməsi, dərin öyrənmə, qraf sinir şəbəkələri və təbii dil emalı kimi üsulların istifadəsidir; mənbə molekulyar docking, molekulyar dinamika və şəbəkə farmakologiyasını hesablama əsaslı, lakin öz-özlüyündə mütləq AI olmayan ayrıca üsul sinifləri kimi nəzərdən keçirir.

Dərmanların yenidən təyinatlandırılması niyə vacibdir?

Yeni antibiotiki sıfırdan hazırlamaq uzun, bahalı və yüksək uğursuzluq nisbətinə malik prosesdir. Dərmanların yenidən təyinatlandırılması başqa məqsədlə təsdiqlənmiş və ya əvvəllər tədqiq edilmiş birləşmələrin yeni istifadə sahələrini müəyyən etməyə çalışır. Bu yanaşmanın əsas üstünlüyü bəzi namizədlər üçün təhlükəsizlik, farmakokinetika, formulasiya və istehsal barədə məlumatın artıq mövcud ola bilməsidir.

Bu üstünlük “yeni göstəriş avtomatik olaraq təhlükəsizdir” demək deyil. Antibakterial təsir üçün tələb olunan konsentrasiya dərmanın əvvəlki göstərişində istifadə olunan konsentrasiyadan xeyli yüksək ola bilər. Buna görə mövcud təhlükəsizlik məlumatı erkən inkişaf riskini azalda bilsə də, yeni infeksiya göstərişi üçün effektivlik və təhlükəsizlik yenidən qiymətləndirilməlidir.

Antimikrob davamlılıq niyə bu qədər kritik kontekst yaradır?

İcmalın istinad etdiyi qlobal təhlillərə görə bakterial antimikrob davamlılıq 2021-ci ildə təxminən 1,14 milyon ölümə birbaşa səbəb sayılmış və 4,71 milyon ölümlə əlaqəli olmuşdur. 2050-ci il üçün illik birbaşa aid edilə bilən ölüm proqnozu 1,91 milyondur. Bunlar bu icmalın öz epidemioloji ölçmələri deyil, icmalın istinad etdiyi qlobal tədqiqatların nəticələridir.

Müəlliflər WHO Bacterial Priority Pathogens List 2024 çərçivəsindən istifadə edərək xüsusilə karbapenemə davamlı Acinetobacter baumannii, üçüncü nəsil sefalosporinə və ya karbapenemə davamlı Enterobacterales, rifampisinə davamlı Mycobacterium tuberculosis, karbapenemə davamlı Pseudomonas aeruginosa, metisillinə davamlı Staphylococcus aureus və vankomisinə davamlı Enterococcus faecium kimi davamlılıq fenotiplərini vurğulayırlar.

Yenidən təyinatlandırılmış dərman bakteriyaya necə təsir edə bilər?

İcmal üç ümumi təsir formasını müzakirə edir. Birinci yol birbaşa antibakterial təsirdir: birləşmə bakterisid və ya bakteriostatik təsir göstərə bilər. İkinci ehtimal sahib orqanizmin cavabını dəyişdirən host-targeted təsirlərdir; mənbə bunun bakterial infeksiyalarda birbaşa və ya sinergik antibakterial təsirə nisbətən daha az formalaşmış sahə olduğunu bildirir. Üçüncü yol mövcud antibiotiklərin effektivliyini artıran sinergiyadır; məsələn, bəzi fenotiazinlər S. aureus efluks nasoslarının aktivliyini azalda bilər.

Lakin efluks inhibisiyası bütün antibiotik siniflərində sinergiyanı izah etmir. Mənbə xüsusilə β-laktam davamlılığında β-laktamazaların və dəyişdirilmiş penicillin-binding proteinlərin mühüm olduğunu, buna görə fenotiazinlər β-laktam təsirini artırırsa mexanizmin ayrıca göstərilməli olduğunu vurğulayır.

Molekulyar Docking və Şəbəkə Farmakologiyası Niyə Bu İcmalda Birbaşa AI Sayılmır?

İcmal molekulyar docking və molekulyar dinamikanı fizikaya əsaslanan skorlamaya, klassik QSAR-ı əl ilə müəyyənləşdirilmiş molekulyar deskriptorlara və şəbəkə farmakologiyasını kurasiya edilmiş qarşılıqlı təsir şəbəkələrinə əsaslanan hesablama üsulları kimi təsnif edir; bu üsullar maşın öyrənməsi ilə birləşdirilə bilər, lakin öz-özlüyündə məlumatdan öyrənilən təmsillərə əsaslanan AI üsulları deyil.

Maşın öyrənməsi

Maşın öyrənməsi (machine learning, ML) məlum aktiv və qeyri-aktiv birləşmələrdən yaradılmış strukturlaşdırılmış məlumat dəstlərindən molekulyar xüsusiyyət–aktivlik əlaqələrini öyrənə bilər. İcmalda random forest, support vector machine və gradient boosting nümunələri verilir.

ML-nin üstünlüklərindən biri xüsusiyyət əhəmiyyəti analizləri vasitəsilə hansı molekulyar xüsusiyyətlərin proqnoza töhfə verdiyinin görünə bilməsidir. Bunun əksinə, məlumat dəsti qərəzi, sinif balanssızlığı və məlumat sızması həddən artıq öyrənməyə və yeni kimyəvi siniflərə zəif ümumiləşdirməyə səbəb ola bilər.

Dərin öyrənmə

Dərin öyrənmə (deep learning, DL) çoxqatlı sinir şəbəkələri ilə mürəkkəb molekulyar və bioloji təmsilləri öyrənir. Mənbə CNN, RNN və transformer arxitekturalarından bəhs edir.

Dərin öyrənmənin güclü tərəfi əl ilə xüsusiyyət dizaynı ehtiyacını azaltmaqla yüksəkölçülü nümunələri öyrənə bilməsidir. Ən mühüm çatışmazlıq isə qərarın niyə verildiyinin çox vaxt asan izah edilə bilməməsidir. Buna görə attention visualisation və SHAP kimi izah edilə bilən AI yanaşmaları tənzimləyici etimad baxımından əhəmiyyət qazanır.

Qraf sinir şəbəkələri

Qraf sinir şəbəkələri (graph neural networks, GNNs) molekulları atomların düyün, kimyəvi rabitələrin isə kənar olduğu qraflar kimi təmsil edir. Beləliklə molekul topologiyası və atomlar arasındakı əlaqələr birbaşa modelin girişinə çevrilir.

İcmal GNN-lərin yeni antibakterial kimyəvi sinifləri prioritetləşdirə bildiyini, lakin əvvəllər görülməmiş scaffold-lara ümumiləşdirmənin hələ də çətin olduğunu bildirir. Random split-də performansın scaffold split-dən daha yüksək ola bilməsi bu problemin mühüm göstəricilərindən biridir.

Şəbəkə farmakologiyası

Şəbəkə farmakologiyası (network pharmacology) dərman–hədəf–xəstəlik əlaqələrini sistem səviyyəsində araşdırır. Protein–protein qarşılıqlı təsir şəbəkələri, gen ekspressiyası və bioloji yollar birləşdirilərək çoxhədəfli təsirlər və ya mümkün sinergiyalar araşdırıla bilər.

Mənbə bu yanaşmanı AI-adjacent kimi təsnif edir. Şəbəkənin qurulması və skorlanması öz-özlüyündə maşın öyrənməsi deyil; lakin bu şəbəkələr sonradan ML modellərinə giriş kimi verilə bilər.

Təbii dil emalı

Təbii dil emalı (natural language processing, NLP) məqalələr, klinik tədqiqat qeydləri və patentlər kimi strukturlaşdırılmamış mətnlərdəki dərman–patogen, dərman–hədəf və arzuolunmaz təsir əlaqələrini çıxarmağa çalışır.

İcmal BioBERT kimi transformer əsaslı biotibbi dil modellərinin varlıq tanıma və əlaqə çıxarılması üçün istifadə oluna bildiyini bildirir. Əsas problemlər terminologiyanın standartlaşdırılması, çatışmayan məlumatlar və mətndən çıxarılan bilginin eksperimental məlumatla birləşdirilməsidir.

Məlumat mənbələri hansı növlərdən ibarətdir?

İcmal AI ilə dərmanların yenidən təyinatlandırılmasında tək bir məlumat növünün kifayət etmədiyini vurğulayır. Kimyəvi məlumat bazaları molekul strukturlarını və bioloji aktivlik dəyərlərini; genomik və bioloji mənbələr gen ekspressiyasını, proteinləri və qarşılıqlı təsirləri; klinik və real dünya mənbələri isə doza, təhlükəsizlik, klinik nəticə və arzuolunmaz hadisə məlumatlarını təmin edə bilər.

Mənbə DrugBank, ChEMBL, PubChem, ZINC və Protein Data Bank kimi kimyəvi/struktur mənbələri; Gene Expression Omnibus, Sequence Read Archive, UniProt və BioGRID kimi bioloji mənbələri nümunə göstərir.

Müxtəlif platformalardan gələn məlumatlar ölçü vahidləri, eksperimental protokollar, çatışmayan dəyərlər və etiket keyfiyyəti baxımından heterogendir. Buna görə böyük məlumat dəsti öz-özlüyündə etibarlı model demək deyil; məlumat standartlaşdırılması və kurasiyası model etibarlılığının əsas hissəsidir.

Random split niyə yanıltıcı ola bilər?

Kimyəvi məlumat dəstində çox bənzər molekullar həm təlim, həm test qrupunda olduqda model əslində yeni kimyanı ümumiləşdirmək əvəzinə təlimdə gördüyü strukturların yaxın oxşarlarını tanıya bilər. Bu halda test balı yüksək görünür, lakin modelin tamamilə yeni kimyəvi skeletdə davranışı bilinmir.

İcmalda təklif olunan daha sərt seçimlərdən biri Bemis–Murcko scaffold əsaslı bölmədir. Bu yanaşma bütün kimyəvi seriyaları test tərəfinə ayıraraq struktur baxımından daha yeni birləşmələrə ümumiləşdirməni sınaqdan keçirir. Zaman əsaslı split isə daha köhnə məlumatlarla təlim keçirib gələcəkdə ortaya çıxan məlumatlar üzərində test aparmaqla real istifadə ssenarisinə daha yaxın qiymətləndirmə təmin edə bilər.

Data leakage nədir?

Data leakage, test dəstinə aid məlumatın birbaşa və ya dolayı şəkildə model təliminə sızmasıdır. İcmal duplicate və ya near-duplicate molekulları, eyni birləşmənin duz və ya tautomer variantlarını və bütün məlumat dəsti üzərində xüsusiyyət seçimi və ya hiperparametr optimallaşdırılmasını nümunə göstərir.

Leakage olduqda model real ümumiləşdirmə qabiliyyətini deyil, test məlumatına aid biliyi nə qədər istifadə etdiyini göstərir. Buna görə molekul standartlaşdırılması, deduplikasiya və təlim–doğrulama–test ayrımının model inkişafı boyunca qorunması lazımdır.

Class imbalance niyə accuracy dəyərini yanıltıcı edə bilər?

Antibakterial skrininqlərdə minlərlə qeyri-aktiv birləşməyə qarşı yalnız az sayda aktiv birləşmə ola bilər. Belə məlumat dəstində model demək olar ki, hər nümunəni “qeyri-aktiv” proqnozlaşdıraraq yüksək accuracy əldə edə bilər, lakin həqiqi aktivləri tuta bilməyə bilər.

Mənbə buna görə precision–recall əyrilərinin, enrichment metriklərinin və kalibrasiya edilmiş ehtimalların uyğun resampling və ya cost-sensitive learning ilə birlikdə qiymətləndirilməsini tövsiyə edir. Xüsusilə çox balanssız məlumat dəstində ROC-AUC təkbaşına kifayət sayılmamalıdır.

Xarici və prospektiv doğrulama niyə lazımdır?

Retrospektiv çarpaz doğrulama modelin əvvəllər toplanmış məlumat daxilində necə işlədiyini göstərir. Xarici doğrulama isə modelin təlimdə heç istifadə olunmamış müstəqil məlumat dəstindəki performansını sınayır.

Daha güclü mərhələ prospektiv testdir: model əvvəlcədən namizədləri seçir və sonra bu namizədlər həqiqətən laboratoriyada sınaqdan keçirilir. Mənbə neçə birləşmənin seçildiyini, neçəsinin laboratoriyada doğrulandığını və real hit nisbətinin bildirilməsini hesablama iddiasının etibarlılığı üçün mühüm hesab edir.

Halicin Niyə Digər Vaka Dərmanlarından Fərqlənir?

Halicin bu icmalda antibakterial məqsəd üçün birbaşa dərin öyrənmə modeli ilə prioritetləşdirildiyi təsdiqlənmiş yeganə vaka nümunəsidir; auranofin, fenotiazinlər, disulfiram, sertralin və klofaziminin antibakterial xüsusiyyətləri isə eksperimental skrininq və ya klinik istifadə yolu ilə AI-dən asılı olmayaraq məlum idi.

Halicin

Halicin əvvəlcə diabet kontekstində araşdırılan c-Jun N-terminal kinase inhibitoru idi. Daha sonra böyümə inhibisiyası məlumatları ilə təlim keçmiş directed message-passing neural network modeli Drug Repurposing Hub-a tətbiq olunaraq antibakterial namizəd kimi prioritetləşdirilmişdir.

İcmalın təqdim etdiyi sübuta görə halicin müxtəlif bakteriyalara qarşı in vitro aktivlik göstərmişdir; Mycobacterium tuberculosis və karbapenemə davamlı Enterobacteriaceae bunların arasındadır. Həmçinin pan-resistant Acinetobacter baumannii yara modeli və Clostridioides difficile üçün siçan modellərində effektivlik bildirilmişdir.

Mənbə halicin mexanizmini bakterial proton motive force-un ΔpH komponentinin pozulması ilə əlaqələndirir. Bu mexanizm mənbədə halicin üçün bildirilmiş mexanizmdir; Verianla bundan başqa yeni molekulyar hədəf çıxarmır.

Ən mühüm məhdudiyyət klinikdir: icmal halicin üçün insanlarda klinik effektivlik sübutunun olmadığını bildirir. Sistemik istifadə üçün tələb olunan farmakokinetika, toksiklik və formulasiya tədqiqatlarının tamamlanması lazımdır.

Auranofin

Auranofin revmatoid artrit üçün təsdiqlənmiş, tərkibində qızıl olan dərmandır. Qram-müsbət bakteriyalarda, xüsusilə MRSA daxil olmaqla bəzi növlərdə bakterisid aktivlik göstərdiyi və thiol-redox homeostasis-i pozduğu, thioredoxin reductase inhibisiyasının bu mexanizmə töhfə verdiyi bildirilmişdir.

İcmalın kritik düzəlişi budur: auranofinin antibakterial təsirinin AI tərəfindən kəşf edildiyini göstərən təsdiqlənmiş tədqiqat tapılmamışdır. Buna görə auranofin “AI-discovered antibacterial” kimi təqdim edilməməlidir.

Fenotiazinlər

Chlorpromazine və thioridazine kimi fenotiazinlər antipsixotik dərmanlar kimi hazırlanmışdır. S. aureus-da multidrug efflux-pump aktivliyini basdıra bildikləri əvvəllər eksperimental olaraq göstərilmişdir.

Mənbə bu təsirin müasir AI dövründən əvvəl məlum olduğunu vurğulayır. Həmçinin efluks inhibisiyasının β-laktam sinergiyasını avtomatik izah etmədiyini, çünki β-laktam davamlılığında β-laktamazaların və dəyişdirilmiş penicillin-binding proteinlərin əsas rollar oynaya bildiyini qeyd edir.

Disulfiram

Disulfiram uzun müddətdir alkoqol asılılığının müalicəsində istifadə olunan dərmandır. Mənbə M. tuberculosis-ə qarşı misdən asılı sinergik bakterisid təsiri in vitro sübut kimi təqdim edir.

Bu aktivliyin AI proqnozu ilə kəşf edildiyi təsdiqlənməmişdir. Həmçinin effektiv toxuma konsentrasiyasına çatarkən mislə əlaqəli toksikliyi məhdudlaşdırmaq zərurəti translasion maneə kimi göstərilir.

Sertralin

Sertralin antidepressantdır. İcmalda S. aureus, Escherichia coli və Pseudomonas aeruginosa-ya qarşı in vitro inhibisiya və bəzi antibiotiklərlə effektivlik artımı bildirən tədqiqatlar nəzərdən keçirilir.

Mənbənin mühüm farmakoloji xəbərdarlığı budur ki, referens ştammlarda bildirilən onlarla µg/mL səviyyəsində inhibisiya konsentrasiyaları standart antidepressant dozalarla əldə edilə biləcək ekspozisiyalardan yüksək ola bilər. Buna görə in vitro aktivlik birbaşa klinik istifadə demək deyil.

Klofazimin

Klofazimin cüzam üçün istifadə olunan antimikobakterial dərmandır və çoxlu dərmana davamlı vərəm rejimlərində də klinik yeri vardır. Mənbə redox cycling, reaktiv oksigen növləri və tənəffüsün pozulmasını təsirlə əlaqələndirir.

Lakin klofaziminin bu istifadəsi AI kəşfi deyil. İcmal bunu eyni geniş antimikrob sahə daxilində klinik yenidən təyinatlandırma nümunəsi kimi qiymətləndirir.

Sübut cədvəlinin mühüm məhdudiyyəti: Mənbə Cədvəl 4-dəki “—” işarəsi bütün dünya ədəbiyyatında heç bir sübutun olmadığı anlamına gəlmir. Yalnız bu icmalın istifadə etdiyi mənbələr daxilində müvafiq sübut səviyyəsinin müəyyən edilmədiyini göstərir.

AI və klassik üsulların “hit rate” dəyərləri niyə birbaşa müqayisə edilə bilməz?

Halicin tədqiqatında AI modelinin seçdiyi 23 ZINC15 birləşməsindən 8-i bakterial böyüməni inhibə etmişdir. Başqa dərin öyrənmə tədqiqatında təxminən 240 seçilmiş birləşmədən 9-u aktiv tapılmışdır; mənbə bunu təxminən %4 kimi verir.

2026-cı il tarixli docking əsaslı tədqiqatda isə 14 yüksək sıralanmış təsdiqlənmiş dərman eksperimental olaraq sınaqdan keçirilmiş və lifitegrast membran keçiriciliyini artıran agentlə kombinasiyada ən diqqətçəkən aktivliyi göstərmişdir.

Bu rəqəmlər “AI docking-dən daha yaxşıdır” və ya əksinə nəticəsinə imkan vermir. Başlanğıc kitabxanasının ölçüsü, modelin ilkin filtrasiya səviyyəsi, aktivlik həddi, whole-cell və ya hədəf əsaslı testdən istifadə və yalnız müsbət nəticələrin dərc olunması meyli hit nisbətini böyük dərəcədə dəyişdirir. Mənbə AI ilə docking/MD arasında uyğunlaşdırılmış prospektiv head-to-head antibakterial benchmark olmadığını bildirir.

Tədqiqatın Metodu və Nəticələri

İcmalın ədəbiyyat toplama yanaşması

Tədqiqatın metodoloji statusu

Məqalə nəşriyyat tərəfindən “Review” kimi təsnif edilmişdir. Mənbə konkret məlumat bazalarını və tarix aralığını bildirdiyi üçün tam sərbəst narrativ icmal deyil; bununla belə formal sistematik icmal hesabatı da təqdim etmir.

Buna görə Verianla tədqiqatı strukturlaşdırılmış ədəbiyyat taramasına əsaslanan tənqidi icmal kimi müəyyən edir. Bu təsnifat mənbədə verilən metod təfərrüatlarının sərhədlərini qorumaq üçündür.

Model doğrulamasında beş əsas nəzarət

1. Data splitting və scaffold splitting: Yaxın struktur analoqlarının təlim və test arasında qarışmasını azaltmaq; yeni chemotype-lara ümumiləşdirməni daha real qiymətləndirmək.
2. Data leakage nəzarəti: Duplicate/near-duplicate strukturlar, duz və tautomer variantları və ya bütün məlumat üzərində hiperparametr seçimi vasitəsilə test məlumatının təlimə sızmasının qarşısını almaq.
3. Class imbalance nəzarəti: Az sayda aktiv birləşmənin çox sayda qeyri-aktiv nümunə arasında itib getməsinin qarşısını almaq və accuracy-dən əlavə uyğun metrikdən istifadə etmək.
4. External və prospective validation: Modeli müstəqil məlumat üzərində və daha sonra real laboratoriya skrininqində doğrulamaq.
5. Empirical in vitro validation: Hesablama namizədlərinin MDR klinik izolatları daxil olmaqla real bioloji sistemlərdə sınaqdan keçirilməsi.

In vitro doğrulamada hansı təcrübələr tövsiyə olunur?

İcmal standartlaşdırılmış susceptibility testing çərçivəsində minimum inhibitory concentration (MIC), minimum bactericidal concentration (MBC), time–kill kinetics və kombinasiyalar üçün checkerboard assay istifadəsini tövsiyə edir.

Həmçinin namizədin yalnız bakteriyanı öldürüb-öldürmədiyi deyil, məməli hüceyrələri üçün toksik olub-olmadığı da qiymətləndirilməlidir. Sitotoksiklik testi antibakterial aktivliyin selektivlik pəncərəsini anlamağa kömək edir.

Uyğun olduqda təsir mexanizminin də eksperimental olaraq araşdırılması tövsiyə olunur. Çünki model bir birləşməni “aktiv” seçə bilər, lakin niyə aktiv olduğunu izah etməyə bilər.

AI Proqnozu Nə Zaman Klinik Baxımdan Mənalı Sayıla Bilər?

Mənbəyə görə AI proqnozu klinik baxımdan mənalı qəbul edilməzdən əvvəl müstəqil və prospektiv hesablama doğrulaması, standart in vitro antimikrob testləri, sitotoksiklik, uyğun heyvan modelləri, infeksiya ocağında PK/PD ekspozisiyasının yetərliliyi, insan təhlükəsizliyi və effektivliyini sınayan klinik tədqiqat və tənzimləyici qiymətləndirmə mərhələlərini keçməlidir; güclü in silico skor təkbaşına klinik effektivlik deyil.

MIC nədir?

Minimum inhibitory concentration (MIC), müəyyən eksperimental şəraitdə müşahidə oluna bilən mikrob böyüməsini dayandıran ən aşağı dərman konsentrasiyasıdır. MIC bir birləşmənin potensial antibakterial gücünü qiymətləndirmək üçün əsas laborator göstəricilərdən biridir.

Lakin aşağı MIC təkbaşına klinik uğur göstərmir. Dərmanın infeksiya ocağında bu səviyyəyə təhlükəsiz şəkildə çatıb-çatmadığı ayrıca qiymətləndirilməlidir.

MBC nədir?

Minimum bactericidal concentration (MBC), bakteriyaların öldürülməsi ilə bağlı eksperimental konsentrasiya göstəricisidir. MIC böyümənin basdırılmasını, MBC isə bakterisid aktivliyi qiymətləndirmək üçün istifadə olunur.

Time-kill testi nəyi göstərir?

Time-kill assay müəyyən dərman konsentrasiyalarında canlı bakteriya sayının zaman ərzində necə dəyişdiyini izləyir. Beləliklə tək son nöqtə əvəzinə təsirin zamana görə gedişi qiymətləndirilə bilər.

Checkerboard assay nəyi göstərir?

Checkerboard assay iki dərmanın müxtəlif konsentrasiya kombinasiyalarını eyni matrisdə sınaqdan keçirərək mümkün sinergiya və ya antagonizmi qiymətləndirmək üçün istifadə olunan in vitro yanaşmadır. İcmal xüsusilə mövcud antibiotiklərlə yenidən təyinatlandırılmış birləşmələrin kombinasiyalarını qiymətləndirərkən bu tip testlərin əhəmiyyətini vurğulayır.

PK və PD arasındakı fərq

Farmakokinetika (PK), dərmanın orqanizmdə hansı konsentrasiyalara hansı zaman profili ilə çatdığını; farmakodinamika (PD) isə bu ekspozisiyanın mikroorqanizm üzərindəki təsirlə əlaqəsini qiymətləndirir.

Dərmanların yenidən təyinatlandırılmasında əvvəlki göstərişdə təhlükəsiz olan dozanın antibakterial təsir üçün yetərli olacağına zəmanət yoxdur. Buna görə modelin seçdiyi birləşmənin real infeksiya ocağında tələb olunan ekspozisiyaya çatıb-çatmadığı araşdırılmalıdır.

fAUC/MIC nədir?

fAUC, yalnız zülala bağlanmamış sərbəst dərmanın müəyyən müddət ərzində konsentrasiya–zaman əyrisinin altında qalan sahəsini təmsil edir. MIC, minimum inhibitory concentration-dır.

Nisbət ümumi sərbəst dərman ekspozisiyasının bakteriyanın inhibisiyası üçün tələb etdiyi konsentrasiyadan nə qədər böyük olduğunu ifadə edir. Mənbə müəyyən dərman üçün hədd dəyəri vermir; tələb olunan hədəf dərmana və təsir mexanizminə görə dəyişir.

fCmax/MIC nədir?

fC_max, sərbəst dərmanın çatdığı ən yüksək konsentrasiyadır. Bu nisbət pik ekspozisiyanın MIC-ə nisbətən böyüklüyünü ifadə edir.

İcmal bu metriki ümumi PK/PD indeksi kimi verir; araşdırılan vaka dərmanları üçün yeni hədəf nisbəti hesablamır.

fT > MIC nədir?

fT > MIC, sərbəst dərman konsentrasiyasının doza intervalının nə qədərində MIC-dən yuxarı qaldığını ifadə edir. Adətən doza intervalının faizi kimi düşünülür.

Bu göstərici xüsusilə effektivliyin konsentrasiyanın MIC-dən yuxarı saxlandığı müddətlə əlaqəli olduğu antimikrob kontekstlərdə mənalıdır. İcmal müəyyən hədd dəyəri təyin etmir.

Population PK və PBPK niyə vacibdir?

Population pharmacokinetic modelling fərqli fərdlər arasındakı farmakokinetik dəyişkənliyi kəmiyyətcə araşdırmaq üçün istifadə oluna bilər. Physiologically based pharmacokinetic (PBPK) modelling isə orqan və toxuma kompartmanlarını fizioloji parametrlərlə təmsil edərək dərmanın paylanmasını simulyasiya edir.

Mənbə bu üsulları xüsusilə dar terapevtik pəncərəsi olan və ya infeksiya ocağına çatması çətin namizədlərdə doza dizaynı və klinik tədqiqat planlaşdırılması üçün faydalı alətlər kimi müzakirə edir; mövcud icmal özü PBPK simulyasiyası aparmayıb.

Tənzimləmə baxımından “mövcud təsdiqlənmiş dərman” nə qazandırır?

Təsdiqlənmiş dərmanın əvvəlki təhlükəsizlik və istehsal məlumatına malik olması inkişaf müddətini azalda bilər. Lakin yeni infeksiya göstərişində effektivlik, təhlükəsizlik və uyğun doza yenidən göstərilməlidir.

Mənbə FDA və EMA kimi tənzimləyici qurumların yeni göstəriş üçün yenə də möhkəm təhlükəsizlik və effektivlik sübutu tələb etdiyini; Good Clinical Practice, farmakonəzarət və lazım gəldikdə yeni klinik tədqiqatların zəruri olduğunu bildirir.

Etik və bərabərlik problemi nədir?

AI modellərinin qərar mexanizminin izah edilə bilməməsi klinik məsuliyyət və pasiyent təhlükəsizliyi baxımından problem yarada bilər. Həmçinin təlim məlumat dəstlərinin yüksək gəlirli ölkələrdən qeyri-mütənasib şəkildə gəlməsi modelin aşağı və orta gəlirli ölkələrdəki populyasiyalara ümumiləşdirilməsini məhdudlaşdıra bilər.

İcmal bərabərliyi yalnız model təlimi ilə məhdudlaşdırmır. Yenidən təyinatlandırılmış dərmanın əlçatanlığı, dəyəri və davamlı təchizatı da ictimai sağlamlıq təsirinin bir hissəsi kimi qiymətləndirilməlidir.

Tədqiqatın dəstəklədiyi və dəstəkləmədiyi nəticələr

İcmalın güclü tərəfləri

• AI və klassik hesablama üsullarını eyni kateqoriyaya toplamaq əvəzinə metodoloji olaraq ayırır.
• Hər vaka dərmanında real AI rolunu ayrıca qiymətləndirir.
• In silico, in vitro, heyvan və klinik sübut səviyyələrini ayrıca cədvəldə göstərir.
• Model doğrulamasında data leakage, scaffold split, class imbalance və external validation problemlərini ətraflı nəzərdən keçirir.
• PK/PD və tənzimləyici reallığı hesablama modeli müzakirəsinə daxil edir.
• AI-nin klinik farmakologiyanın əvəzinə deyil, prioritetləşdirmə qatına yerləşdirilməli olduğunu aydın bildirir.
• Etika, əlçatanlıq və aşağı/orta gəlirli ölkələrdə məlumat təmsili problemlərini müzakirə edir.

İcmalın məhdudiyyətləri

• Ədəbiyyat yalnız ingilisdilli nəşrlərlə məhdudlaşdırılmışdır.
• Tam axtarış sətirləri bildirilməmişdir.
• Hər məlumat bazasından neçə qeyd tapıldığı verilməmişdir.
• Duplicate çıxarılması və başlıq/xülasə/tam mətn ələmə sayları verilməmişdir.
• PRISMA axın sxemi yoxdur.
• Formal risk-of-bias və ya tədqiqat keyfiyyəti qiymətləndirməsi bildirilməmişdir.
• İcmal protokolunun qeydiyyatı göstərilməmişdir.
• Vaka dərmanları üçün sübut iyerarxiyası icmalda istifadə olunan mənbələrlə məhduddur; Cədvəl 4-dəki “—” bütün ədəbiyyatda yoxluq demək deyil.
• Prospektiv AI tədqiqatlarında müsbət hit-lərin dərc olunması real uğur nisbətini olduğundan yüksək göstərə bilər.
• Müxtəlif skrininq tədqiqatlarının hit nisbətləri birbaşa müqayisə edilə bilməz.
• Bir çox non-antibiotic birləşmə təsdiqlənmiş dozalarla orqanizmdə çatılması çətin konsentrasiyalarda antibakterial təsir göstərə bilər.
• AI namizədlərinin böyük hissəsində insan klinik sübutu yoxdur.

Gələcək tədqiqat istiqamətləri

İcmal gələcək tədqiqatları altı əsas başlıq altında qruplaşdırır: dəqiq antimikrob müalicə, kombinasiya və sinergiya proqnozu, izah edilə bilən AI, hesablama–eksperimental–klinik iş axınlarının inteqrasiyası, qlobal əlçatanlıq və yeni texnologiya sahələri.

Dəqiq müalicə yanaşmasında patogen genomu, sahib orqanizmin immunogenomik məlumatı və mikrobiomun birlikdə istifadə edilməsi; hansı pasiyent qrupunun hansı yenidən təyinatlandırılmış dərmandan faydalana biləcəyinin daha yaxşı proqnozlaşdırılması tövsiyə olunur.

Kombinasiya müalicəsində AI-nin mövcud antibiotiklərin təsirini artıran uyğunlaşmaları tapa biləcəyi düşünülür; lakin bu sinergiyaların yenə in vitro, in vivo və PK/PD səviyyəsində doğrulanmalı olduğu vurğulanır.

İzah edilə bilən AI tərəfdə attention visualisation, Shapley values və graph interpretability kimi üsulların tənzimləyici etimadı artıra biləcəyi bildirilir.

Gələcək pipeline-ın ideal forması yalnız “model → namizəd” deyil. Mənbə modelin namizəd seçməsi, namizədin laboratoriyada sınaqdan keçirilməsi, modelin nəticələrlə yenidən təkmilləşdirilməsi, heyvan və farmakoloji məlumatlarla sınanması və yalnız bundan sonra klinik qiymətləndirməyə irəliləməsi şəklində iterativ struktur təklif edir.

İcmal həmçinin sintetik biologiya, antimikrob peptid dizaynı, biofilm hədəflənməsi və sahib orqanizmin müdafiəsini və ya mikrob virulentliyini dəyişə biləcək adjuvantların AI ilə araşdırılmasını gələcək imkanlar sırasında göstərir.

İcmalın əsas elmi nəticəsi

İcmalın ən müdafiəolunan nəticəsi “AI yeni antibiotikləri avtomatik tapır” deyil. Mənbənin əsas mesajı budur ki, AI böyük dərman və molekul məkanlarında namizədləri daha səmərəli prioritetləşdirə bilər; lakin bu üstünlük yalnız möhkəm məlumat ayrımı, xarici doğrulama, eksperimental farmakologiya, PK/PD reallığı və klinik qiymətləndirmə ilə birləşdirildikdə mənalı olur.

Halicin bu zəncirin AI tərəfində ən aydın uğur nümunəsidir; lakin insanlarda klinik effektivlik məlumatı olmadığı üçün translasiya tamamlanmayıb. Digər yenidən təyinatlandırılmış dərman nümunələri isə “AI istifadə edilmiş ola bilər” və “AI tərəfindən kəşf edilmişdir” ifadələrinin mütləq ayrılmalı olduğunu göstərir.

Mənbə və Metod Qeydi

Orijinal başlıq: AI-Driven Drug Repurposing for Multidrug-Resistant Infections: Computational Rigor, Translational Realities, and Strategic Future Directions

Müəlliflər: Kingsley Chukwuka Amaihunwa; Daniel Kelechi Egbule; Augustina O. Jewo; Felix Oghenemaro Enwa.

Məsul müəllif: Felix Oghenemaro Enwa.

Bərabər töhfə: Mənbədə bərabər birinci müəlliflik və ya bərabər töhfə bəyanı yoxdur.

Qurum 1: Department of Medical Laboratory Science, Faculty of Allied Health Sciences, Delta State University, Abraka 330106, Nigeria.

Qurum 2: Department of Pharmaceutical Microbiology & Biotechnology, Faculty of Pharmacy, Delta State University, Abraka 330106, Nigeria.

Qurum 3: Department of Microbiology, Faculty of Science, Delta State University, Abraka 330106, Nigeria.

Jurnal: Acta Microbiologica Hellenica.

Nəşriyyat: Hellenic Society for Microbiology adından MDPI.

Mənbə növü: Review — AI dəstəkli antimikrob dərmanların yenidən təyinatlandırılmasına dair tənqidi icmal.

Biblioqrafik qeyd: Acta Microbiologica Hellenica, 2026, 71(4), Article 42.

DOI: 10.3390/amh71040042

Rəsmi keçid: https://doi.org/10.3390/amh71040042

Nəşr zaman xətti: Received: 21 sentyabr 2026; Revised: 8 oktyabr 2026; Accepted: 10 oktyabr 2026; Published: 20 oktyabr 2026.

Academic Editors: Petros Ioannou və Diamantis P. Kofteridis.

Rəyçilik statusu: Acta Microbiologica Hellenica double-anonymized peer-review tətbiq edən beynəlxalq resenziyalı açıq girişli jurnaldır.

Lisenziya: Creative Commons Attribution (CC BY).

Preprint statusu: Araşdırılan mənbə nəşr olunmuş jurnal məqaləsidir. Mənbədə ayrıca preprint identifikatoru göstərilməyib.

İcmalın əhatə dairəsi: İngilisdilli ədəbiyyat; Yanvar 2020–Sentyabr 2026; PubMed/MEDLINE, Scopus və Web of Science; mühüm tədqiqatların ədəbiyyat siyahılarının əl ilə taranması.

Sistematik icmal məhdudiyyəti: Tam axtarış sətirləri, PRISMA axını, taranan/xaric edilən qeyd sayları, formal risk-of-bias qiymətləndirməsi və qeydiyyatdan keçmiş protokol bildirilməyib. Buna görə Verianla tədqiqatı sistematik icmal və ya meta-analiz kimi təsnif etmir.

Yeni eksperimental məlumat: Yoxdur. Tədqiqat ədəbiyyat icmalıdır.

Yeni AI modeli: Yoxdur. Məqalə mövcud AI və AI-adjacent yanaşmaları tənqidi şəkildə qiymətləndirir.

Mənbədə formula: Nömrələnmiş riyazi tənlik yoxdur. fAUC/MIC, fCmax/MIC və fT > MIC PK/PD indeksləri konseptual olaraq müzakirə edilir.

Maliyyələşdirmə: Tədqiqat xarici maliyyələşdirmə almamışdır.

Institutional Review Board: Tətbiq edilmir.

Məlumatlandırılmış razılıq: Tətbiq edilmir.

Məlumatların əlçatanlığı: Yeni məlumat yaradılmayıb və ya analiz edilməyib; məlumat paylaşımı bu icmal üçün tətbiq edilmir.

Maraqların toqquşması: Müəlliflər maraqların toqquşması bildirməyiblər.

Müəllif töhfələri — Conceptualization: Kingsley Chukwuka Amaihunwa və Felix Oghenemaro Enwa.

Validation: Augustina O. Jewo.

Data curation: Daniel Kelechi Egbule.

Writing — original draft preparation: Kingsley Chukwuka Amaihunwa.

Writing — review & editing: Daniel Kelechi Egbule, Augustina O. Jewo və Felix Oghenemaro Enwa.

Supervision: Felix Oghenemaro Enwa.

AI təsnifatı sərhədi: İcmal ML, DL, GNN və NLP-ni AI üsulları; network pharmacology-ni AI-adjacent; molecular docking/MD-ni isə klassik non-AI müqayisəçi kimi nəzərdən keçirir.

Halicin sübut sərhədi: Halicin AI ilə prioritetləşdirilmiş, in vitro və heyvan modeli sübutuna malik namizəddir; icmal insanlarda klinik effektivlik sübutu müəyyən etmir.

Digər vaka dərmanlarının AI sərhədi: Auranofin, fenotiazinlər, disulfiram, sertralin və klofazimin üçün antibakterial aktivliyin kəşfində təsdiqlənmiş AI rolu göstərilməyib.

Sübut cədvəlinin sərhədi: Cədvəl 4-dəki “—” işarəsi daha geniş ədəbiyyatda qəti sübut yoxluğu demək deyil; yalnız bu icmalın istifadə etdiyi mənbələrdə sübutun müəyyən edilmədiyini bildirir.

Model qiymətləndirməsi sərhədi: Random split-də yüksək performans yeni scaffold-lara ümumiləşdirməyə zəmanət vermir. Data leakage və sinif balanssızlığı yüksək görünən, lakin real olmayan metriklərə səbəb ola bilər.

Translasiya sərhədi: In silico proqnozlar eksperimental doğrulamaya qədər hipotezdir; in vitro aktivlik klinik effektivlik deyil və əvvəlki təsdiqlənmiş dozanın yeni antimikrob göstəriş üçün yetərli olacağına zəmanət yoxdur.

Tənzimləmə sərhədi: Yenidən təyinatlandırılmış dərmanlar mövcud təhlükəsizlik məlumatına malik olsalar belə yeni göstəriş üçün effektivlik, təhlükəsizlik, uyğun doza və farmakonəzarət tələblərini ödəməlidirlər.