Bu fokuslanmış narrativ icmal ESKAPE patogenlərində antimikrob rezistentlik və virulentliklə əlaqəli molekulyar hədəflərin süni intellektdən istifadə etməklə necə prioritetləşdirilə bildiyini araşdırır. ESKAPE patogenləri; Enterococcus faecium, Staphylococcus aureus, Klebsiella pneumoniae, Acinetobacter baumannii, Pseudomonas aeruginosa və Enterobacter spp.-dən ibarət, səhiyyə ilə əlaqəli infeksiyalarda antimikrob rezistentlik baxımından mühüm bakteriya qrupudur. Tədqiqat 2016–2026 dövründə PubMed/MEDLINE-da olan 277 qeydi nəzərdən keçirmiş, 45 tədqiqatı tam mətn qiymətləndirməsinə daxil etmiş və hədəf səviyyəsində bioloji nəticə çıxaran 16 araşdırmanı əsas analitik korpus kimi seçmişdir. İcmalın əsas nəticəsi odur ki, süni intellekt yalnız rezistentlik fenotipinin proqnozlaşdırılmasından genomik müəyyənedicilərin, tənzimləyici şəbəkələrin, virulentlik modullarının və terapevtik hədəflərin prioritetləşdirilməsinə doğru irəliləyir; lakin çox-omik inteqrasiya, mexanistik izaholunma, eksperimental doğrulama və klinik tətbiq hələ də məhduddur.

Mənbə bir-biri ilə əlaqəli dörd texnoloji təbəqə müəyyən edir: sekvensiya əsaslı genomik modelləşdirmə, transkriptomik və çox-omik inteqrasiya, şəbəkə və sistem səviyyəli süni intellekt və terapevtik dizayn üçün generativ süni intellekt. Bu çərçivədə WGS, SNV, k-mer və gen var/yox matrisləri rezistentlik müəyyənedicilərinin prioritetləşdirilməsində; RNA-seq məlumatları tənzimləyici cavabların təhlilində; gen və protein şəbəkələri funksional modulların tapılmasında; generativ modellər isə yeni kiçik molekul və antimikrob peptid namizədlərinin dizaynında istifadə olunur.

Məqalənin əsas şərh məhdudiyyəti yüksək model dəqiqliyinin səbəbkar bioloji mexanizm və ya klinik faydanın sübutu olmamasıdır. Məlumat dəsti qərəzi, populyasiya quruluşu, coğrafi fərqlər, zamanla dəyişən rezistentlik epidemiologiyası, model drift, eksperimental doğrulamanın çatışmazlığı və xəstəxana iş axınlarına inteqrasiya problemləri klinik translasiya imkanlarını məhdudlaşdırır. Buna görə süni intellekt əsaslı hədəf kəşfinin dəyəri yalnız proqnoz metrikindən deyil, bioloji izaholunmadan, müstəqil doğrulamadan və real səhiyyə sistemində davamlı istifadədən asılıdır.

ESKAPE patogenləri niyə hədəf kəşfi üçün kritik qrupdur?

ESKAPE qrupu səhiyyə ilə əlaqəli infeksiyaların mühüm hissəsinə cavabdeh olan və çoxsaylı antimikrob siniflərə rezistentlik inkişaf etdirə bilən opportunistik bakteriyaları əhatə edir. Bu mikroorqanizmlərin uğuru yalnız məlum rezistentlik genlərinə malik olmaları ilə izah edilmir. Genomik plastiklik, mobil genetik elementlər, dəyişkən gen ekspressiyası, effluks sistemləri, metabolik uyğunlaşma, biofilm əmələ gəlməsi və virulentliyi tənzimləyən şəbəkələr terapevtik təzyiqə dinamik cavaba töhfə verə bilər.

Buna görə yalnız “hansı izolyat rezistentdir?” sualını cavablandırmaq yeni terapevtik inkişaf üçün kifayət deyil. Yeni nəsil hədəf kəşfində daha dərin sual proqnozu formalaşdıran bioloji müəyyənedicinin hansı gen, tənzimləyici proses, protein şəbəkəsi, metabolik yol və ya molekulyar hədəflə əlaqəli olmasıdır.

ESKAPE Patogenlərində Süni İntellektlə Hədəf Kəşfi Nəyi Məqsəd Qoyur?

ESKAPE patogenlərində süni intellektlə hədəf kəşfi yalnız antimikrob rezistentlik və ya virulentlik fenotipini proqnozlaşdırmaq əvəzinə, bu fenotipləri izah edə biləcək genləri, genomik bölgələri, tənzimləyici modulları, funksional şəbəkələri və terapevtik molekulyar hədəfləri məlumatlardan prioritetləşdirməyi məqsəd qoyur; məqsəd proqnozdan bioloji baxımdan izah edilə bilən və eksperimental olaraq sınaqdan keçirilə bilən mexanistik hipotezə keçməkdir.

Birinci təbəqə: sekvensiya əsaslı genomik modelləşdirmə

Sekvensiya əsaslı modellərin girişləri bütöv genom sekvensiyası (whole-genome sequencing, WGS) məlumatlarından əldə edilə bilər. Mənbədə gen var/yox matrisləri, tək nukleotid variantları (single-nucleotide variants, SNV), k-mer və unitig təqdimatları əsas məlumat formaları arasındadır.

Hyun və həmkarlarının yanaşması SVM ilə random subspace ensemble strategiyasından istifadə edərək S. aureus, P. aeruginosa və E. coli genomlarında rezistentlik fenotipi ilə əlaqəli xüsusiyyətləri sıralamışdır. Məqsəd yalnız təsnifat aparmaq deyil, sonradan araşdırıla biləcək gen və genom bölgələrini prioritetləşdirməkdir.

Avershina və həmkarlarının AMR-Diag çərçivəsi E. coli və K. pneumoniae üçün β-laktamaza ilə əlaqəli k-mer təqdimatlarını feed-forward süni sinir şəbəkəsi ilə istifadə etmişdir. Neighboring Component Analysis ilə aparılan xüsusiyyət seçimi modelin vacib hesab etdiyi k-mer siqnallarının NDM, CTX-M və TEM kimi β-laktamaza ailələri ilə əlaqələndirilməsinə imkan vermişdir.

Li və həmkarları K. pneumoniae-də imipenem rezistentliyini proqnozlaşdırmaq üçün Random Forest, logistika reqressiyası, SVM, gradient boosting və XGBoost kimi üsulları k-mer əsaslı genom xüsusiyyətlərinə tətbiq etmişdir. Tədqiqatın əhəmiyyəti yalnız rezistentlik proqnozu deyil, məlum və əvvəllər xarakterizə edilməmiş genomik siqnalların prioritetləşdirilməsidir.

Jia və həmkarları A. baumannii üçün WGS məlumatlarını gen ekspressiyası ilə birləşdirmiş və dərin sinir şəbəkələri ilə minimum inhibitor konsentrasiyasını (MIC) proqnozlaşdırmışdır. Bu nümunə statik genomik dəyişiklikdən kənara çıxaraq transkripsion məlumatın modelə daxil edilməsinin yeni rezistentliklə əlaqəli imzalar üzə çıxara biləcəyini göstərir.

Mobil genetik elementlərin rolu

Mənbədə prioritetləşdirilən bir çox rezistentlik müəyyənedicisinin plazmidlər, transpozonlar və inteqronlar kimi mobil genetik elementlərlə əlaqəli olduğu bildirilir. Bu strukturlar rezistentlik genlərinin eyni bakteriya daxilində və ya bakteriyalar arasında üfüqi ötürülməsinə töhfə verə bilər.

Lakin modeldə vacib görünən genetik xüsusiyyətin birbaşa rezistentlik mexanizmi olduğu avtomatik şəkildə qəbul edilə bilməz. Xüsusiyyət müəyyən bakterial xəttin göstəricisi olduğuna görə də yüksək əhəmiyyət qazana bilər. Populyasiya quruluşu nəzarətdə saxlanmasa, AI modeli mexanistik müəyyənedici əvəzinə xətt və ya epidemioloji mənşə siqnalını öyrənə bilər.

İkinci təbəqə: transkriptomik və çox-omik nəticəçıxarma

Genomik məlumatlar bakteriyanın malik olduğu genetik potensialı göstərdiyi halda, transkriptomik məlumatlar müəyyən şərtlərdə hansı genlərin aktiv olduğunu tutur. RNA-seq profilləri antibiotik təzyiqi, stress, biofilm inkişafı və ya virulentlik zamanı tənzimləyici vəziyyətlərin dəyişməsini araşdırmağa imkan verir.

Kula və həmkarları P. aeruginosa-da logistika reqressiyası, Random Forest, XGBoost və Naive Bayes istifadə edərək RNA-seq əsaslı rezistentlik proqnozu aparmışdır. Diferensial ekspressiya ilə model xüsusiyyətlərinin əhəmiyyətinin birlikdə araşdırılması yalnız təsnifatı deyil, rezistentliklə əlaqəli transkripsion imzaların müəyyənləşdirilməsini də mümkün etmişdir.

Yu və həmkarları S. aureus transkriptom məlumatını independent component analysis ilə ayıraraq Sau-41 adlı kiçik RNA-nı virulentliklə əlaqəli tənzimləyici namizəd kimi prioritetləşdirmişdir. Daha sonra molekulyar qarşılıqlı təsir testləri, hemoliz təcrübələri və siçan infeksiya modeli ilə eksperimental doğrulama aparılmışdır. Bu nümunə AI və ya hesablama əsaslı nəticəçıxarmanın bioloji mexanizm tədqiqatına necə bağlana biləcəyini göstərir.

Proteomika niyə hələ əsas təbəqədə deyil?

Proteomika protein miqdarını, post-translyasion tənzimləməni və antibiotik stressinə qarşı real vaxt funksional dəyişiklikləri ölçə bildiyi üçün mühüm tamamlayıcı məlumat verə bilər. Məsələn, membran proteinlərində, effluks nasoslarında və virulentlik proteinlərindəki dəyişikliklər yalnız RNA səviyyəsindən tam görünməyə bilər.

Bununla belə, mənbə icmalın daxil etmə meyarlarına görə mövcud proteomika–ML tədqiqatlarının mühüm hissəsi mexanistik hədəf kəşfindən çox sürətli diaqnostika və ya rezistentlik təsnifatına yönəlib. Buna görə proteomika əsaslı tədqiqatlar əsas 16 məqalə daxilində təmsil olunmayıb. Mənbə bunu gələcək çox-omik inteqrasiyanın mühüm boşluqlarından biri kimi qiymətləndirir.

Üçüncü təbəqə: şəbəkə və sistem səviyyəli modelləşdirmə

Şəbəkə əsaslı üsullar bir genin əhəmiyyət balından daha irəli gedərək genlər, proteinlər və tənzimləyici proseslər arasındakı əlaqələri araşdırır. Beləliklə, rezistentlik və ya virulentliyin tək molekulyar müəyyənedicidən deyil, birlikdə işləyən funksional modullardan yarandığı ssenarilər modelləşdirilə bilər.

Burrows və həmkarları Enterobacter pan-genomundakı aksesuar genləri non-negative matrix factorization ilə modullara ayırmış və “Phylon” adlanan gen klasterlərini müəyyən etmişdir. Bu quruluş xəttlə əlaqəli və üfüqi ötürülə bilən xüsusiyyətlərin pan-genom daxilində təşkilini açmağa yönəlib.

Kim və həmkarları Enterococcus genomlarında logistika reqressiyası, Random Forest və gradient-boosted decision tree modellərindən istifadə etmiş; Block HSIC Lasso kimi xüsusiyyət seçimi üsulları ilə rezistentliklə əlaqəli namizəd sürücüləri prioritetləşdirmişdir.

Zhang və həmkarları S. aureus-un planktonik böyümədən biofilm vəziyyətinə keçidi ilə əlaqəli transkriptomik imzaları maşın öyrənməsi və recursive feature elimination ilə araşdırmışdır. Bəzi namizədlər sidik cövhəri metabolizmi və arginin biosintezi kimi metabolik yollarla əlaqələndirilmişdir.

Şəbəkə əsaslı modelləşdirmənin əsas məhdudiyyəti bioloji qarşılıqlı təsir şəbəkələrinin natamam və kontekstdən asılı olmasıdır. Eyni şəbəkə modulu birbaşa səbəbkar mexanizmi deyil, birlikdə dəyişən genlərin və ya populyasiya quruluşunun yaratdığı dolayı əlaqəni təmsil edə bilər.

Dördüncü təbəqə: terapevtik dizayn üçün süni intellekt

AI əsaslı dərman kəşfində giriş artıq yalnız bakteriya genomu deyil. Molekulyar barmaq izləri, kimyəvi descriptor-lar, protein strukturları və ya peptid ardıcıllıqları modelə giriş kimi verilə bilər. Modelin vəzifəsi antibakterial aktivliyə malik olma ehtimalı yüksək molekul və ya ardıcıllıqları geniş namizəd məkanından prioritetləşdirməkdir.

İcmal dərin öyrənmə ilə kimyəvi kitabxanaların skrininqinə əsaslanan halicin tədqiqatını sahənin mühüm nümunələrindən biri kimi təqdim edir. A. baumannii üçün abaucin adlı dar spektrli antibiotik namizədinin tapılması da patogenə xas AI dəstəkli skrininqin potensialını göstərir.

Boulaamane və həmkarları A. baumannii üçün OmpW proteinini namizəd hədəf kimi götürən QSAR və molecular docking əsaslı iş axınından istifadə etmişdir. Random Forest, SVM, kNN, Gaussian Naive Bayes və CNN namizəd birləşmələrin aktivliyini proqnozlaşdırmaq üçün müqayisə edilmiş; in vitro təcrübələr proqnozlaşdırılan bəzi birləşmələrdə antibakterial aktivliyi təsdiqləmişdir.

Antimikrob peptid dizaynı

Antimikrob peptidlər (antimicrobial peptides, AMP) AI dəstəkli terapevtik dizaynın xüsusilə fəal sahələrindən biridir. Model məlum peptid ardıcıllıqlarından sekvensiya–aktivlik əlaqəsini öyrənərək yeni namizəd ardıcıllıqlar yarada və ya mövcud namizədləri optimallaşdıra bilər.

Li və həmkarları recurrent neural network istifadə edərək yeni sintetik AMP ardıcıllıqları yaratmış və seçilmiş namizədləri eksperimental olaraq sınaqdan keçirmişdir. Bolatchiev və həmkarları oxşar şəkildə RNN ilə yaradılmış peptidlərin bir hissəsini in vitro və eksperimental sepsis modelində araşdırmışdır.

Mishra və həmkarları bilik qrafı ilə dəstəklənən maşın öyrənməsi vasitəsilə S. aureus-a qarşı AMP optimallaşdırması aparmış və seçilmiş namizədləri siçan infeksiya modelində doğrulamışdır.

Zhao və həmkarları conditional variational autoencoder ilə diffusion əsaslı generativ modeli MIC proqnoz modulu ilə birləşdirərək müəyyən patogenlərə yönəlmiş fiziki-kimyəvi xüsusiyyətləri proqramlaşdırıla bilən peptidlər yaratmağı məqsəd qoymuşdur.

Bu nəticələr ümidverici olsa da, generativ modellərin əsas problemi yalnız “aktiv görünən” ardıcıllıq yaratmaq deyil. Modelin proqnozlaşdırdığı effektivliyin konkret molekulyar hədəf və ya təsir mexanizmi ilə necə bağlı olduğunun göstərilməsi lazımdır.

İzahlana Bilən Süni İntellekt Hədəf Kəşfində Niyə Vacibdir?

İzahlana bilən süni intellekt (eXplainable Artificial Intelligence, XAI) modelin rezistentlik və ya virulentlik proqnozunu hansı xüsusiyyətlər əsasında qurduğunu görünən etməklə proqnozla bioloji hədəf hipotezi arasındakı əlaqəni gücləndirə bilər; lakin SHAP, LIME və ya digər xüsusiyyət-atfetmə üsullarının bir xüsusiyyəti vacib göstərməsi həmin xüsusiyyətin səbəbkar mexanizm olduğunu təkbaşına sübut etmir və bioloji doğrulama yenə də tələb olunur.

XAI-də istifadə olunan yanaşmalar

İcmalda recursive feature elimination, feature weighting, Neighboring Component Analysis, Gini importance, SHAP, model-dependent və model-independent feature selection, Block HSIC Lasso, partial dependence plots, structure–activity relationships, confidence scoring və bilik qrafı dəstəkli optimallaşdırma kimi müxtəlif izaholunma üsulları yer alır.

SHAP və LIME kimi xüsusiyyət-atfetmə üsulları hər girişin model qərarına töhfəsini kəmiyyətcə araşdıra bilər. Bununla belə, xüsusiyyət töhfəsi yalnız modelin qərar məntiqini izah edir; real bioloji qarşılıqlı təsirin təsdiqi üçün molekulyar, hüceyrə və ya orqanizm səviyyəsində müstəqil təcrübələr lazım ola bilər.

Mənbə həmçinin izaholunmanı yalnız genomik xüsusiyyət səviyyəsində saxlamamağı müdafiə edir. Protein səviyyəli adaptasiyalar, tək hüceyrə heterogenliyi, metabolik axınlar və mechanism-of-action nəticəçıxarması kimi dinamik funksional təbəqələrin də gələcəkdə XAI çərçivələrinə daxil edilməsi lazımdır.

Yüksək AI Dəqiqliyi Klinik Olarak Doğrulanmış Hədəf Deməkdirmi?

Xeyr. Yüksək accuracy, AUC və ya başqa proqnoz metriyi modelin müəyyən məlumat və tapşırıqda ayırdetmə gücünü göstərir; hədəfin bioloji baxımdan səbəbkar olduğunu, başqa populyasiyalarda eyni performansı qoruyacağını və ya klinik qərar dəstəyində xəstəyə fayda verəcəyini təkbaşına sübut etmir. Mənbə buna görə müstəqil məlumat, eksperimental doğrulama, çoxmərkəzli qiymətləndirmə və prospektiv klinik tətbiq mərhələlərini model performansından ayrı qiymətləndirir.

Cədvəl 2 niyə birbaşa model sıralaması deyil?

Mənbə Table 2-də accuracy, AUC, MCC, sensitivity, specificity, MIC xətası, hit rate və antibakterial təcrübə nəticələri kimi müxtəlif metrikləri eyni ümumi ədəbiyyat xəritəsində təqdim edir. Lakin tapşırıqlar fərqlidir: bəzi modellər rezistentliyi təsnif edir, bəziləri MIC proqnozu verir, bəziləri virulentlik tənzimləyicisi tapır, bəziləri kimyəvi birləşmələri skrininq edir, bəziləri isə yeni AMP ardıcıllıqları yaradır.

Məlumat qərəzi və populyasiya quruluşu

AI modeli təlim məlumatlarının paylanmasını öyrənir. Müəyyən bakterial xətlər müəyyən rezistentlik fenotipləri ilə güclü əlaqəlidirsə, model real rezistentlik mexanizmindən çox həmin xəttin genomik imzasından istifadə edə bilər. Belə model eyni xətt quruluşunun olmadığı başqa coğrafiyada daha zəif performans göstərə bilər.

Sinif balanssızlığı da mühüm problemdir. Rezistentlik fenotipi məlumatlarda az təmsil olunduqda yüksək ümumi accuracy azlıq sinfində zəif sensitivity dəyərini gizlədə bilər. Buna görə modelin etibarlılığı tək performans metriyi ilə qiymətləndirilə bilməz.

Dataset shift və model drift

Antimikrob rezistentlik epidemiologiyası zamanla dəyişə bilər. Yeni klonların ortaya çıxması, yeni rezistentlik genlərinin yayılması, antibiotik istifadəsi siyasətlərinin dəyişməsi və ya laboratoriya proseslərinin fərqlənməsi modelin təlim aldığı paylanma ilə real klinik paylanma arasında fərq yarada bilər.

Buna görə klinik model bir dəfə doğrulanıb sonsuza qədər sabit saxlanıla bilən alət deyil. Mənbə davamlı performans monitorinqini, yenidən kalibrasiyanı və lazım olduqda model yeniləməsini davamlı istifadənin əsas şərtlərindən biri hesab edir.

Tədqiqatın Metodu və Nəticələri

Axtarış strategiyası

Ədəbiyyat axtarışı PubMed/MEDLINE üzərindən aparılmış və 2016–2026 dövrü ilə məhdudlaşdırılmışdır. Axtarışda süni intellekt, maşın öyrənməsi, dərin öyrənmə, sinir şəbəkələri, graph neural network, generative model, ensemble learning və QSAR kimi metod terminləri; antimikrob rezistentlik, virulentlik, hədəf kəşfi, hədəf prioritetləşdirilməsi, AMP və dərman kəşfi anlayışları; həmçinin ESKAPE patogenlərinin adları birlikdə istifadə edilmişdir.

Cəmi 277 qeyd müəyyən edilmişdir. Tədqiqat proqnoz performansına əlavə olaraq funksional hədəf nəticəçıxarması və ya eksperimental doğrulama təmin edən araşdırmaları xüsusilə prioritetləşdirmişdir.

Daxiletmə və xaricetmə meyarları

Uyğun tədqiqatların bir və ya daha çox ESKAPE patogenində rezistentlik və ya virulentlik müəyyənedicilərini AI əsaslı üsullarla araşdırması tələb olunmuşdur. Dərman və ya AMP kəşfi tədqiqatları yalnız konkret molekulyar rezistentlik/virulentlik hədəflərini açıq şəkildə müəyyən edir və ya prioritetləşdirirdisə daxil edilmişdir.

Yalnız diaqnostik təsnifat aparan və mexanistik nəticəçıxarma verməyən tədqiqatlar, ESKAPE-dən kənar patogenlərə yönələn nəşrlər, AI istifadə etməyən araşdırmalar, icmallar, redaksiya yazıları və konfrans xülasələri xaric edilmişdir. Yalnız fenotipik rezistentlik proqnozu verən tədqiqatlar isə ancaq bioloji və ya hədəf səviyyəli şərh təmin etdikdə qəbul edilmişdir. Dil İngilis dili ilə məhdudlaşdırılmışdır.

Məlumat çıxarılması

Hər tədqiqatdan patogen növü, bioloji məlumat tipi, xüsusiyyət təqdimatı, AI arxitekturası, istifadə olunan hesablama alətləri, əsas proqnoz tapşırığı, hədəf nəticəçıxarma səviyyəsi, doğrulama strategiyası və bildirilən məhdudiyyətlər çıxarılmışdır.

Tədqiqatların yüksək metodoloji heterogenliyi səbəbindən formal risk-of-bias aləti tətbiq edilməmişdir. Bunun əvəzinə məlumat mənbəyi, modelin izaholunması, doğrulama quruluşu və eksperimental doğrulamanın olub-olmaması keyfiyyətcə qiymətləndirilmişdir.

Dörd təbəqəli hədəf kəşfi arxitekturası

Cədvəl 1-in əsas mesajı

Mənbə Table 1 əsas 16 tədqiqatı yalnız model adına görə deyil; patogen, məlumat tipi, xüsusiyyət təqdimatı, AI arxitekturası, hesablama aləti, izaholunma üsulu, hədəf nəticəçıxarma səviyyəsi və eksperimental doğrulama baxımından birlikdə təsnif edir.

Tədqiqatlar sequence-level, gene-level, phenotype-level və target-level kimi müxtəlif nəticəçıxarma səviyyələrindədir. Bu fərq vacibdir: model bakterial izolyatın rezistentlik vəziyyətini uğurla proqnozlaşdıra bilər, lakin hansı molekulyar mexanizmin bu proqnozu yaratdığını izah etməyə bilər.

İcmalın metodoloji seçimi yalnız proqnoz verən modellər əvəzinə bioloji hədəf və ya mexanizm haqqında izlənə bilən nəticəçıxarma yaradan tədqiqatları prioritetləşdirməkdir.

AI Modeli Klinik İstifadəyə Nə Zaman Hazır Sayıla Bilər?

Mənbə çərçivəsinə görə AI modeli yalnız retrospektiv məlumatda yüksək performans göstərdikdə klinik istifadəyə hazır sayılmır; translasiya yetkinliyi üçün daxili doğrulamadan sonra müstəqil və çoxmərkəzli xarici doğrulama, laboratoriya və antimikrobial stewardship iş axınlarına prospektiv inteqrasiya, daha sonra davamlı performans monitorinqi, yenidən kalibrasiya, tənzimləyici uyğunluq, infrastruktur hazırlığı və xərc-effektivlik qiymətləndirilməsi tələb olunur.

Xarici doğrulama niyə lazımdır?

Bir çox AMR modeli retrospektiv tək mərkəzli məlumatlarda daxili cross-validation ilə qiymətləndirilir. Bu quruluş proof-of-concept üçün dəyərli olsa da, başqa xəstəxanalarda eyni performansın qorunacağını göstərmir.

Rezistentlik prevalansı, bakterial xətt paylanması, laboratoriya protokolları və xəstə profili müəssisələr arasında dəyişə bilər. Buna görə müstəqil və çoxmərkəzli məlumatlarla xarici doğrulama klinik etibarlılığın əsas mərhələlərindən biridir.

Mənbə MALDI-TOF MS ilə ML-ni birləşdirən çoxmərkəzli MRSA skrininqi, müxtəlif İtaliya mərkəzlərində K. pneumoniae rezistentlik proqnozu və müxtəlif mərkəzlərdə MDRO risk proqnozu kimi tədqiqatları klinik xarici doğrulama istiqamətində irəliləyiş nümunələri kimi göstərir.

Klinik iş axınına inteqrasiya

Xarici doğrulama təkbaşına tətbiqə zəmanət vermir. Model laboratoriyanın real turnaround müddəti, elektron sağlamlıq qeydi, mikrobiologiya infrastrukturu və antimikrobial stewardship proqramı ilə birlikdə işləməlidir.

İcmal Gram-mənfi bakteriemiyada empirik müalicə qərarına yardım edən ML sistemlərini, bakteriemiya idarəsində real həyat qərar dəstəyini, A. baumannii üçün mNGS əsaslı ML həssaslıq proqnozunu və müsbət qan kulturlarından Nanopore sekvensiyası ilə patogen/rezistentlik proqnozunu bu translasiya səviyyəsinə nümunə kimi müzakirə edir.

Bununla belə, real dünyadakı tətbiqlər hələ məhduddur və əksəriyyəti pilot və ya tədqiqat mühitindədir.

Tənzimləmə, hesabatlılıq və klinisistin rolu

Antimikrob müalicəni yönləndirən AI sistemlərinin proqram təminatı əsaslı tibbi cihaz qaydalarına tabe olması gözlənilə bilər. Buna görə yalnız model dəqiqliyi deyil, təkrar istehsal oluna bilmə, məlumat idarəçiliyi, post-deployment monitoring və model drift aşkarlanması da xəstə təhlükəsizliyi baxımından vacibdir.

Mənbə AI sistemlərinin klinik ekspertizanı aradan qaldırmamalı olduğunu açıq şəkildə vurğulayır. AI çıxışları klinisistin qərarını dəstəkləməli; hesabatlılıq və peşəkar nəzarət qorunmalıdır.

Struktur tətbiq maneələri

Bir çox məlumat dəstinin yüksək gəlirli səhiyyə sistemlərindən gəlməsi müxtəlif epidemioloji şərtlərə ümumiləşdirilə bilməni məhdudlaşdıra və alqoritmik qərəz yarada bilər. Sekvensiya imkanları, hesablama resursları və laboratoriya informasiya sistemləri ilə inteqrasiya xərcləri də tətbiqi məhdudlaşdıra bilər.

Bundan əlavə, standardize benchmarking, harmonize reporting və formal bias qiymətləndirilməsinin çatışmazlığı tədqiqatlararası müqayisəni çətinləşdirir.

Gələcək tədqiqat istiqamətləri

Mənbənin gələcək perspektivində genomik, transkriptomik və klinik metadata kimi tamamlayıcı məlumat təbəqələrinin daha güclü inteqrasiyası mərkəzi mövqedədir. Comprehensive multi-omics modellər hələ nisbətən nadirdir.

Federated learning müxtəlif müəssisələrin xam xəstə məlumatlarını mərkəzləşdirilmiş şəkildə paylaşmadan ortaq modellər inkişaf etdirməsi üçün mümkün üsul kimi müzakirə olunur. Belə yanaşma məlumat məxfiliyi və daha geniş coğrafi təmsil problemlərinin bir hissəsini azalda bilər; lakin mənbə bunu həlli sübut edilmiş klinik standart kimi təqdim etmir.

Standardize benchmark məlumat dəstləri, harmonize qiymətləndirmə metrikləri, prospektiv tədqiqatlar, adaptiv model yenilənməsi və qlobal AMR sürveyans sistemləri ilə uyğunluq gələcək klinik təsir üçün zəruri hesab olunur.

Tədqiqatın dəstəklədiyi nəticələr

İcmal AI üsullarının ESKAPE patogenlərində rezistentlik və virulentliklə əlaqəli genomik, transkriptomik və şəbəkə səviyyəli müəyyənediciləri prioritetləşdirə bildiyini; bəzi tədqiqatlarda bu namizədlərin eksperimental olaraq doğrulandığını; AI-nin antibiotik və AMP namizədlərinin kəşfi və ya optimallaşdırılmasında da istifadə oluna bildiyini dəstəkləyir.

Tədqiqat həmçinin sahənin sadəcə rezistentlik fenotipinin proqnozundan bioloji baxımdan izah edilə bilən hədəf kəşfinə doğru irəlilədiyini, lakin çox-omik inteqrasiya və geniş eksperimental doğrulamanın hələ məhdud olduğunu dəstəkləyir.

Tədqiqatın dəstəkləmədiyi nəticələr

Bu icmal AI-nin ESKAPE infeksiyalarında klinisistlərdən üstün müalicə qərarı verdiyini sübut etmir. Araşdırılan yüksək accuracy və ya AUC dəyərləri xəstə mortalitetində azalma, antibiotik istifadəsində düşmə və ya klinik yaxşılaşma demək deyil.

Model tərəfindən prioritetləşdirilən hər genin və ya şəbəkənin həqiqi səbəbkar rezistentlik mexanizmi olduğu göstərilməmişdir. Xüsusiyyət əhəmiyyət balı bioloji səbəbiyyət deyil.

AI tərəfindən yaradılan və ya seçilən hər antibiotik və ya peptid namizədinin insanlarda təhlükəsiz və effektiv olduğu göstərilməmişdir. Tədqiqatların doğrulama səviyyələri in silico analizdən in vitro testə, heyvan modelinə və az sayda real klinik tətbiqə qədər dəyişir.

Tədqiqat bütün ESKAPE patogenləri və bütün xəstəxana mühitləri üçün universal AI modeli müəyyən etmir. Məlumat paylanması, rezistentlik epidemiologiyası və laboratoriya prosesləri dəyişdikdə model performansı da dəyişə bilər.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Next-Generation Target Discovery in ESKAPE Pathogens: An AI-Driven Framework from Omics-Based to Systems-Level Modeling and Clinical Translation

Müəlliflər: Eleonora Chines; Adriana Antonina Tempesta; Ludovica Boscarelli; Matteo Francesco Parisi; Lorenzo Marcoccia; Antonino Capillo; Maria Lina Mezzatesta; Caterina Ledda; Marco Chessari; Viviana Cafiso.

Bərabər töhfə: Eleonora Chines və Adriana Antonina Tempesta.

Məsul müəllif: Viviana Cafiso.

Qurumlar: Department of Biomedical and Biotechnological Sciences, University of Catania; PhD National Program in One Health Approaches to Infectious Diseases and Life Science Research, University of Pavia; Unit of AI and Computer Systems, Department of Engineering, Università Campus Bio-Medico di Roma; HorAlzon Lab., Teleconsys SpA; Occupational Medicine, Department of Clinical and Experimental Medicine, University of Catania.

Jurnal: Antibiotics.

Nəşriyyat: MDPI, Basel, Switzerland.

Nəşr məlumatı: 2026; cild 15; say 5; məqalə 469. Nəşr tarixi: 6 May 2026.

DOI: 10.3390/antibiotics15050469

Mənbə növü: Resenziyalı, açıq çıxışlı fokuslanmış narrativ icmal.

Lisenziya: Creative Commons Attribution (CC BY).

Ədəbiyyat məlumat bazası: PubMed/MEDLINE.

Axtarış dövrü: 2016–2026.

İlkin qeyd sayı: 277.

Tam mətn qiymətləndirməsi: 45 tədqiqat.

Əsas analitik korpus: 16 tədqiqat.

Skrininq üsulu: Başlıq/xülasə və tam mətn skrininqi iki qiymətləndirici tərəfindən müstəqil aparılmış, fikir ayrılıqları konsensusla həll edilmişdir.

Formal risk-of-bias: AI arxitekturaları, məlumat dəstləri və doğrulama strategiyalarındakı heterogenlik səbəbindən formal risk-of-bias aləti tətbiq edilməmişdir. Tədqiqatlar məlumat mənşəyi, izaholunma, doğrulama üsulu və eksperimental doğrulama baxımından keyfiyyətcə qiymətləndirilmişdir.

Əsas məlumat modalitələri: WGS, SNV, k-mer və pan-genom xüsusiyyətləri; RNA-seq və gen ekspressiyası məlumatları; kimyəvi kitabxanalar; peptid kitabxanaları; gen və tənzimləyici şəbəkələr.

Əsas AI üsulları: Random Forest, SVM, logistika reqressiyası, XGBoost, feed-forward ANN, DNN, ICA, NMF, CNN, RNN, CVAE, diffusion əsaslı generativ modellər və müxtəlif xüsusiyyət seçimi/XAI üsulları.

İzaholunma üsulları: RFE, feature weighting, NCA, Gini importance, SHAP, Block HSIC Lasso, feature importance, partial dependence plots, structure–activity relationship, confidence scoring və bilik qrafı əsaslı optimallaşdırma daxil olmaqla müxtəlif yanaşmalar.

Maliyyələşdirmə: European Union–Next Generation EU, Mission 4, Component C2, Investment 1.1, PRIN-PNRR2022; identification code P2022RHYTM; CUP E53D23015070001; ERC-LS6. Layihənin adı: A snapshot of transferable plasmids based on omics and clonal epidemiology in hospital acquired carbapenem-resistant Enterobacterales: a pilot study.

Məlumatların əlçatanlığı: Tədqiqatda yeni məlumat yaradılmamış və ya təhlil edilməmişdir.

Maraqlar toqquşması: Lorenzo Marcoccia, Antonino Capillo və Marco Chessari Teleconsys SpA əməkdaşlarıdır. Digər müəlliflər potensial kommersiya və ya maliyyə maraqlar toqquşması bildirməmişdir. Maliyyələşdirən qurumların tədqiqat dizaynı, məlumat toplama, təhlil, şərh, məqalənin yazılması və ya nəşr qərarında rolu olmadığı bildirilmişdir.

Müəllif töhfələri: Konseptuallaşdırma Viviana Cafiso; məqalənin yazılması Viviana Cafiso, Adriana Antonina Tempesta və Eleonora Chines; nəzərdən keçirmə və redaktə bütün müəlliflər; şəkillərin hazırlanması Adriana Antonina Tempesta tərəfindən həyata keçirilmişdir.

Əsas metodoloji məhdudiyyətlər: Əsas korpus yalnız 16 tədqiqatdan ibarətdir; məlumat tipləri, AI arxitekturaları, tapşırıqlar və performans metrikləri heterogendir. Formal risk-of-bias aləti tətbiq edilməmişdir. Tədqiqatların böyük hissəsində əhatəli multi-omics inteqrasiyası yoxdur. Bir çox model retrospektiv və daxili doğrulamaya əsaslanır. Tək mərkəzli məlumat, sinif balanssızlığı, populyasiya quruluşu, coğrafi təmsilin çatışmazlığı və model drift ümumiləşdirilə bilməni məhdudlaşdıra bilər. Yüksək proqnoz performansı səbəbkar bioloji mexanizm və ya klinik fayda deyil.

Verianla təqdimat üsulu: Bu məzmun orijinal abstract və ya conclusion bölməsinin yaxın tərcüməsi deyil. Mənbədəki tədqiqat seçimi, genomik modellər, transkriptomik nəticəçıxarma, şəbəkə və sistem səviyyəli modelləşdirmə, generativ antimikrob dizayn, XAI, Table 1, Table 2, mənbə Şəkil 1, Şəkil 2 və Şəkil 3 ilə translasiya məhdudiyyətləri elmi elementlərə ayrılmış; daha sonra müstəqil öyrədici Türk mətn quruluşunda yenidən təşkil edilmişdir.

Şərh məhdudiyyəti: AI əsaslı rezistentlik proqnozu, hədəf prioritetləşdirilməsi və ya antimikrob dizayn nəticəsi birbaşa klinik müalicə tövsiyəsi deyil. Modelin və ya namizəd molekulun klinik istifadəyə keçməsi üçün müstəqil doğrulama, mexanistik və eksperimental doğrulama, uyğun olduqda prospektiv klinik qiymətləndirmə, iş axını inteqrasiyası və davamlı təhlükəsizlik/performans monitorinqi tələb olunur.