Süni intellekt dəstəkli təbii məhsul kəşfi mikroorqanizmlərin və ya digər bioloji mənbələrin genomik və kimyəvi müxtəlifliyini hesablama üsulları ilə skan edərək yeni antibakterial namizədləri prioritetləşdirməyi hədəfləyən dərman kəşfi yanaşmasıdır. Bu geniş icmal antibakterial rezistentliyin molekulyar əsaslarından başlayaraq ənənəvi təbii məhsul kəşfinin darboğazlarını, biosintetik gen klasterlərinin mədənçiliyini, maşın öyrənməsi və dərin öyrənmə əsaslı bioaktivlik proqnozunu, virtual skrininqi, dereplikasiyanı, metabolomika–kemoinformatika inteqrasiyasını, generativ modelləri və hesablama yolu ilə seçilmiş namizədlərin in vitro və in vivo doğrulanmasını birlikdə nəzərdən keçirir. Mənbə yeni təcrübə və ya klinik tədqiqat aparmamış; müxtəlif araşdırmalardakı üsulları, modelləri və eksperimental doğrulama nəticələrini icmal etmişdir.

İcmalın əsas elmi mesajı budur ki, süni intellekt antibakterial kəşfdə tək bir alqoritm və ya tək proqnoz modeli kimi deyil, kəşf zəncirinin bir çox nöqtəsini bir-birinə bağlayan hesablama təbəqəsi kimi istifadə oluna bilər. AI dəstəkli genom mədənçiliyi böyük genom kolleksiyalarında əvvəllər araşdırılmamış biosintetik gen klasterlərini müəyyən edə bilər; maşın öyrənməsi namizəd molekulların bioaktivliyini proqnozlaşdıra bilər; kütlə spektrometriyası və kemoinformatika alətləri məlum birləşmələri daha sürətlə ayıra bilər; metabologenomic yanaşmalar genetik potensialı real metabolitlərlə əlaqələndirə bilər; generativ modellər isə yeni molekul və ya antimikrob peptid namizədləri təklif edə bilər.

Mənbədə e-DeepBGC-nin 5666 bakterial genomda 170.685 biosintetik gen klasteri müəyyən etməsi, BioAct-Het-in müəyyən bioaktivlik proqnozu tapşırığında %88,5 dəqiqliyə çatması və ultra-böyük transfer-learning skrininqində eksperimental sınaqdan keçirilən seçilmiş namizədlərin %54-də antibakterial aktivlik müşahidə olunması kimi diqqətəlayiq nəticələr təqdim edilir. Lakin bu dəyərlər bir-birindən fərqli tapşırıqlara, məlumat dəstlərinə və eksperiment dizaynlarına aiddir. Onlar vahid ümumi “AI uğur faizi” kimi birləşdirilə bilməz.

İcmalın ən mühüm şərh məhdudiyyəti yüksək model performansının klinik antibiotik uğuru demək olmamasıdır. Modelin təklif etdiyi namizədin real dərmana çevrilməsi üçün kimyəvi doğrulama, in vitro aktivlik, seçicilik və toksiklik, təsir mexanizmi, farmakokinetik və farmakodinamik xüsusiyyətlər, uyğun heyvan modelləri və sonda insan klinik tədqiqatları kimi ardıcıl doğrulama mərhələlərindən keçməsi lazımdır. Mənbə həmçinin təkrar istehsal oluna bilmə, nəşr qərəzi, məlumat keyfiyyəti, standartlaşdırılmış benchmark çatışmazlığı və in vivo məlumatların məhdudluğu kimi əsas problemləri açıq şəkildə qəbul edir.

Antibakterial rezistentlik niyə yeni kəşf üsulları tələb edir?

Antibakterial rezistentlik bakteriyaların antibiotiklərin təsirindən yayınmasına imkan verən irsi və ya qazanılmış mexanizmlərin klinik səviyyədə müalicəni çətinləşdirməsidir. Mənbədə AMR-nin qlobal yükü izah edilərkən 4,95 milyon ölümün rezistent infeksiyalarla əlaqəli olduğu, təxminən 1,27 milyon ölümün isə birbaşa rezistent infeksiyalara aid edildiyi fərqləndirilir. Bu iki rəqəm eyni epidemioloji anlayış deyil.

Rezistentlik problemi sadəcə daha çox antibiotik istifadə etməklə həll edilə biləcək problem deyil. Mövcud antibakterial siniflər eyni vaxtda bir neçə molekulyar müdafiə mexanizmi ilə qarşılaşır. β-laktamazlar və karbapenemazlar antibiotiki parçalaya bilər; hədəf molekullardakı dəyişikliklər antibiotikin bağlanmasını azalda bilər; efflux nasosları dərmanı hüceyrədən kənara çıxara bilər; porin itkisi dərmanın hüceyrəyə daxil olmasını məhdudlaşdıra bilər; bəzi bakteriyalar isə inhibə edilmiş metabolik mərhələni alternativ fermentlərlə keçə bilər.

Təbii məhsul kəşfi tarixi baxımdan niyə mühümdür?

Penisillin, tetrasiklin və vankomisin kimi bir çox mühüm antibakterial vasitə təbii və ya bioloji mənşəli kəşflərdən yaranmışdır. Mikroorqanizmlər, bitkilər, göbələklər və dəniz orqanizmləri çox geniş kimyəvi müxtəliflik yaradır. Buna baxmayaraq, klassik təbii məhsul kəşfi yalnız bioloji materialın toplanması və aktivlik testinin aparılmasından ibarət deyil.

Bir ekstraktda minlərlə kimyəvi siqnal ola bilər. Tədqiqatçı bunlardan hansının əvvəldən məlum molekul, hansının həqiqətən yeni struktur, hansının bioloji aktivliyə malik birləşmə və hansının laboratoriya şəraitində istehsal olunmayan genomik potensial olduğunu ayırd etməlidir.

Mənbədə təbii məhsul kəşfinin əsas darboğazları məlum birləşmələrin yenidən kəşfi, aşağı skrininq hit faizi, kultivasiya edilə bilməyən mikroorqanizmlər, laboratoriya şəraitində səssiz qalan biosintetik gen klasterləri, məhdud dereplikasiya qabiliyyəti, uzun hit-to-lead prosesi və yüksək inkişaf xərcləri kimi nəzərdən keçirilir.

Biosintetik Gen Klasteri Nədir və AI Burada Niyə İstifadə Olunur?

Biosintetik gen klasteri (biosynthetic gene cluster, BGC) müəyyən təbii məhsulun və ya xüsusi metabolitin biosintezində birlikdə iştirak edən genlərin genomda funksional şəkildə qruplaşdığı bölgədir; AI modelləri böyük genom kolleksiyalarında bu bölgələri tanımaq, sərhədlərini müəyyən etmək, məhsul siniflərini proqnozlaşdırmaq və eksperimental iş üçün ən maraqlı klasterləri prioritetləşdirmək məqsədilə istifadə olunur.

DeepBGC və e-DeepBGC

DeepBGC genom boyunca protein ailələrini və sekans kontekstini təhlil edərək potensial BGC bölgələrini müəyyən etmək üçün ikiistiqamətli LSTM əsaslı dərin öyrənmədən istifadə edir. Model həmçinin Random Forest təsnifatçıları ilə məhsul sinfi və potensial kimyəvi aktivlik proqnozu verə bilər.

e-DeepBGC bu strukturu doğrulanmış BGC-lər, Pfam protein ailələri, Pfam funksiyaları və clan məlumatları ilə genişləndirmişdir. Mənbəyə görə, 5666 RefSeq bakterial genomunda 170.685 BGC müəyyən etmiş və hər genom üçün orta hesabla 30,1 klaster bildirmişdir.

Self-supervised modellər

BiGCARP kimi self-supervised modellər etiketlənməmiş və ya məhdud annotasiyalı genomik məlumatlardan protein domenlərinin kontekstual düzülüşünü öyrənir. Mənbədə BiGCARP-ın 127.294 BGC üzərində öncədən öyrədildiyi; 773 annotasiyasız bakterial genomda 4287 klaster müəyyən etdiyi bildirilir.

Bu yanaşmanın potensial üstünlüyü yalnız məlum bir BGC motivini əzbərləmək əvəzinə biosintetik təşkilatlanmanın ümumi dilini öyrənməyə çalışmasıdır. Lakin təlim məlumatlarının paylanmasından çox fərqli yeni BGC siniflərində ümumiləşdirilə bilmə hələ də əsas məhdudiyyətlərdən biridir.

BGC-ni bioloji bir “cümlə” kimi oxumaq

Mənbədə bəzi NLP modelləri protein domenlərini sözlər, BGC strukturunu isə bioloji cümlə kimi təmsil edir. BGCCGB BERT-bənzər diqqət mexanizmlərini Graph Convolutional Networks ilə birləşdirir, BGC-Prophet isə transformer encoder istifadə edir.

Bu bənzətmə yalnız izahı asanlaşdırmaq üçün deyil. BGC daxilində bir genin mənası təkcə öz kimliyindən deyil, qonşu genlər və daha uzaqdakı biosintetik komponentlərlə kontekstual əlaqələrindən də qaynaqlana bilər.

Klassik maşın öyrənməsi niyə hələ də mühümdür?

Dərin öyrənmə hər problemdə avtomatik olaraq üstün deyil. RFBGCPred Word2Vec təmsilləri, supervised UMAP və Random Forest ilə BGC təsnifatı aparmış; balanslaşdırılmış test dəstində %98,0 accuracy, MCC 0,9752 və AUC 0,9928 bildirmişdir. Balanssız doğrulama dəstində accuracy %94,8-ə düşsə də model güclü performansını qorumuşdur.

Bu nəticə müəyyən məlumat strukturlarında yaxşı dizayn edilmiş klassik ML-in dərin öyrənmə ilə rəqabət apara bildiyini göstərir. Lakin eyni metriklər müxtəlif modellər və məlumat dəstləri arasında nəzarətsiz şəkildə müqayisə edilməməlidir.

Reinforcement learning nəyi düzəltməyə çalışır?

Bir BGC-nin yalnız mövcudluğunu tapmaq kifayət deyil; başlanğıc və son sərhədlərinin düzgün müəyyən edilməsi lazımdır. Mənbədə reinforcement learning-in proqnozlaşdırılan klasterlərdə hansı genlərin saxlanacağını və ya çıxarılacağını iterativ şəkildə öyrənmək üçün istifadə edildiyi bir yanaşma təqdim edilir.

Bu üsul fungiSMASH və DeepBGC kimi sistemlərdə klaster precision-ını %25-dən çox, bəzi alətlərdə gen precision-ını %15-dən çox artırmışdır. Bu dəyərlər bütün orqanizmlərə ümumiləşdirilən sabit performans artımları deyil, müvafiq doğrulama şərtlərində əldə olunan nəticələrdir.

Metagenomika niyə daha çətindir?

Metagenomik nümunələr tək bir saf genom əvəzinə çoxsaylı mikroorqanizmlərin DNA-sını ehtiva edir. Genom fraqmentlərinin yığılması natamam və ya parçalı olduqda uzun BGC-ləri bütöv şəkildə tutmaq çətinləşir.

HiFiBGC üç fərqli PacBio HiFi uyğun metagenom assembler-dan alınan yığımları birləşdirən ensemble yanaşmasından istifadə edir. Mənbəyə görə bu strategiya ən yaxşı tək assembler yanaşmasından orta hesabla %78 daha çox BGC müəyyən etmiş və ensemble assembly bərpanı təxminən %25 artırmışdır.

Genom proqnozu molekulla necə əlaqələndirilir?

Bir BGC-nin tapılması hansı kimyəvi molekulun həqiqətən istehsal olunduğunu təkbaşına göstərmir. Buna görə Seq2PKS və Seq2Saccharide kimi alətlər genom mədənçiliyini kütlə spektrometriyası ilə birləşdirir. Genomdan çoxsaylı mümkün molekulyar strukturlar yaradılır; sonra eksperimental MS siqnalları bu strukturlarla müqayisə edilərək mümkün uyğunluqlar daraldılır.

Mənbədə Seq2PKS monazomycin, oasomycin A və 2-aminobenzamide-actiphenol BGC-lərinin müəyyən edilməsində; Seq2Saccharide isə trestatin B-nin BGC-sinin tapılmasında nümunə kimi verilir.

Səssiz və kriptik BGC-lər niyə mühümdür?

Bir mikroorqanizmin genomunda müəyyən təbii məhsulu istehsal etmək potensialı ola bilər, lakin əlaqəli gen klasteri standart laboratoriya şəraitində aktiv olmaya bilər. Belə klasterlər “silent” və ya “cryptic” kimi təyin oluna bilər.

SYNTERUPTOR-ın Streptomyces ambofaciens-də əvvəlki antiSMASH versiyalarının aşkar etmədiyi xüsusi metabolit gen klasterini müəyyən etməsi və sonradan bu klasterin iki metabolitin biosintezini idarə etdiyinin eksperimental olaraq göstərilməsi, hesablama proqnozu ilə laboratoriya doğrulamasının niyə birlikdə lazım olduğunu göstərən nümunələrdən biridir.

AI ilə struktur və bioaktivlik proqnozu

Genom mədənçiliyindən sonra ikinci böyük problem molekulyar strukturların və bioloji aktivliyin proqnozlaşdırılmasıdır. Mənbə Random Forest, SVM, gradient boosting, CNN, RNN, GNN, transformer, transfer learning və generativ modelləri müxtəlif tapşırıqlarda nəzərdən keçirir.

BioAct-Het adlı heterogeneous Siamese neural network mənbədə bioaktivlik proqnozunda %88,5 accuracy ilə nümunələndirilir. Digər modellər AUC, MCC, F1, RMSE, Pearson korrelyasiyası və ya hit rate kimi fərqli metriklərlə qiymətləndirilmişdir. Bu ölçülərin riyazi mənaları fərqli olduğundan eyni “uğur” anlayışının bir-birini əvəz edən sinonimləri deyil.

Antimikrob peptid kəşfi

AMPlify ikiistiqamətli LSTM, multi-head attention və context attention istifadə edərək antimikrob peptid sekanslarını təsnif edir. Mənbədə 3338 təlim və 835 test sekansı ilə %93,71 accuracy, %92,93 sensitivity, %94,49 specificity, %93,66 F1 və %98,37 AUROC bildirilmişdir.

Daha sonra qurbağa genomundan təklif edilən 101 sekansdan 16 peptid sintez edilmiş və dörd yeni peptid eksperimental antibakterial aktivlik göstərmişdir. Bu, sınaqdan keçirilən sintez olunmuş namizədlər arasında %25 hit rate deməkdir.

Burada əsas fərq modelin test dəsti üzrə təsnifat dəqiqliyi ilə laboratoriyada aktiv çıxan yeni namizədlərin hit rate göstəricisinin fərqli ölçülər olmasıdır.

D-MPNN ilə təbii məhsulların virtual skrininqi

Bir Directed Message-Passing Neural Network modeli Burkholderia cenocepacia-ya qarşı 29.537 birləşmənin eksperimental skrininqindən əldə edilən məlumatlarla öyrədilmişdir. İlkin high-throughput skrininqin hit rate-i yalnız %0,87 olmuşdur.

Model daha sonra 1614 FDA təsdiqli birləşməni və 224.205 təbii məhsulu virtual olaraq skan etmiş; eksperimental qiymətləndirilən ən yüksək sıralı namizədlərdə müvafiq olaraq %26 və %12 hit rate bildirilmişdir. Mənbə bunu ilkin təsadüfi/eksperiment ağırlıqlı skrininqlə müqayisədə ən az 14 dəfə zənginləşmə kimi şərh edir.

Bir milyarddan çox molekul necə skan edilə bilər?

Transfer-learning yanaşmasında GNN-lər əvvəlcə geniş molekulyar məlumat üzərində öncədən öyrədilmiş, sonra məhdud antibakterial aktivlik məlumatı ilə fine-tune edilmişdir. Bu model ChemDiv və Enamine mənbəli bir milyarddan çox virtual molekulu sıralamışdır.

Eksperimental test üçün 156 namizəd seçilmiş; mənbədə test edilən namizədlərin %54-nün E. coli-yə qarşı MIC ≤10 µg/mL aktivlik göstərdiyi bildirilmişdir. Bununla belə, bu %54 faizi bir milyard molekulun %54-nün antibakterial olduğu demək deyil. Bu, modelin yüksək ehtimallı kimi seçdiyi kiçik, prioritetləşdirilmiş eksperimental alt dəstin hit rate göstəricisidir.

Yüksək AI Hit Rate Klinik Antibiotik Uğuru Deməkdirmi?

Xeyr. Hit rate hesablama yolu ilə seçilmiş namizədlərin müəyyən eksperimental testdə əvvəlcədən təyin olunmuş aktivlik meyarını ödəyən hissəsini ifadə edir; klinik antibiotik uğuru isə insanlarda effektivlik, təhlükəsizlik, dozalanma, farmakokinetika, farmakodinamika, rezistentliyin inkişafı və klinik nəticələrlə bağlı daha yüksək sübut səviyyəsidir.

Model metriyi ilə eksperimental aktivlik arasındakı fərq

Accuracy və ya AUC modelin təsnifat davranışını, RMSE ədədi proqnoz xətasını, Pearson korrelyasiyası proqnozla real dəyər arasındakı xətti əlaqəni, hit rate isə seçilmiş namizədlərin nə qədərinin laboratoriyada aktiv çıxdığını ölçür.

Bu ölçülərin heç biri təkbaşına insanlarda müalicə uğurunu göstərmir. Verianla baxımından düzgün sübut zənciri “model skoru → eksperimental namizəd → aktivlik → toksiklik/seçicilik → mexanizm → in vivo doğrulama → klinik tədqiqat” kimi oxunmalıdır.

Out-of-distribution problemi

AI modeli təlim zamanı gördüyünə bənzər molekullarda yüksək performans göstərə, lakin kimyəvi fəzanın əvvəllər görmədiyi bölgələrində uğursuz ola bilər. Mənbə bu problemi “unfamiliarity” kimi ölçülərlə qiymətləndirən tədqiqatları təqdim edir.

Buna görə kimyəvi baxımdan yeni bir namizədin model skoru yüksək olsa belə, modelin həmin struktur sinfində nə qədər etibarlı olduğu ayrıca qiymətləndirilməlidir.

Cell Painting və fenotipik məlumat

Molekulun yalnız kimyəvi strukturundan istifadə etmək əvəzinə, hüceyrələrdə yaratdığı morfoloji fenotiplər də modelə daxil edilə bilər. Mənbədə Cell Painting ilə kimyəvi struktur məlumatlarının birlikdə istifadə edildiyi modellər 140 assay üzrə orta AUROC 0,744 ± 0,108 vermiş; assay-lərin %62-də AUROC ≥0,7, %30-da ≥0,8 və %7-də >0,9 bildirilmişdir.

Bu yanaşma struktur oxşarlığından kənara çıxaraq hüceyrəvi təsirdən məlumat çıxara bilər, lakin istifadə olunan assay-lərin hamısı antibakterial deyil. Bu nəticə təbii məhsul bioaktivliyi proqnozunun metodoloji əhatəsini göstərir.

Dereplikasiya Təbii Məhsul Kəşfində Niyə Kritik Mərhələdir?

Dereplikasiya bioloji nümunədə görünən kimyəvi siqnalların əvvəllər məlum birləşmələrə aid olub-olmadığını mümkün qədər erkən müəyyən etməklə eyni molekulun təkrar izolyasiyasına sərf ediləcək vaxtı və eksperimental resursu azaldır; AI və kemoinformatika burada MS/MS spektrlərini, molekulyar formulları, struktur namizədlərini və spektral şəbəkələri daha sürətlə uyğunlaşdırmaq üçün istifadə olunur.

GNPS və molekulyar şəbəkələr

Global Natural Products Social Molecular Networking (GNPS) oxşar MS/MS parçalanma nümunələrini spektral şəbəkələrdə bir-birinə bağlayaraq kimyəvi ailələrin görünən olmasını təmin edir. Məlum spektrə yaxın naməlum siqnallar əlaqəli molekul ailəsinin hissəsi kimi prioritetləşdirilə bilər.

Mənbədə GNPS dəniz mənşəli Streptomyces, yosun tədqiqatları, klinik nümunələr, bitki ekstraktları və mikrobiom metabolomikası kimi çox fərqli kontekstlərdə istifadə edilmişdir.

SIRIUS və CSI:FingerID

SIRIUS tandem MS məlumatlarından molekulyar formul proqnozu verərkən CSI:FingerID kimyəvi struktura aid fingerprint xüsusiyyətlərini proqnozlaşdırıb namizəd struktur məlumat bazalarını sıralaya bilər.

Mənbə bu sistemlərin böyük məlumat dəstlərində annotasiya əhatəsini artıra bildiyini, lakin yekun struktur doğrulama üçün NMR kimi ortogonal üsulların əhəmiyyətini qoruduğunu vurğulayır.

UmetaFlow

UmetaFlow ön emal, spektral uyğunlaşdırma, molekulyar formul və struktur proqnozu ilə GNPS əsaslı sonrakı təhlilləri avtomatlaşdıran workflow-dur. Mənbədəki doğrulamada 100 actinomycete ştammından 1245 xam faylın ön emalı təxminən 1 saat 12 dəqiqə davam etmiş; formul və struktur proqnozlarının tamamlanması isə təxminən 10 gün tələb etmişdir.

Bu nümunə AI-nin hər zaman “ani” analiz demək olmadığını da göstərir. Böyük DL və kemoinformatika iş axınları əhəmiyyətli hesablama infrastrukturu tələb edə bilər.

CSU-MS2 və kontrastiv öyrənmə

CSU-MS2 MS/MS spektrləri ilə molekulyar strukturları ortaq təmsil fəzasında uyğunlaşdırmaq üçün contrastive learning istifadə edir. Mənbədə 1047 spektrin 23 struktur məlumat bazasından toplanmış 1.001.047 namizəd molekula qarşı qiymətləndirildiyi benchmark-da Recall@1 %75,45 kimi bildirilmişdir.

Eyni benchmark-da CFM-ID %68,38, SIRIUS %64,85, MetFrag %48,59 və CMSSP %30,47 Recall@1 vermişdir. Bu nəticə müəyyən benchmark şərtlərinə aiddir; bütün metabolomik məlumat növləri üçün universal üstünlük demək deyil.

Foundation model yanaşması

DreaMS milyonlarla annotasiyasız tandem kütlə spektri üzərində self-supervised ön təlim istifadə edən transformer əsaslı modeldir. Maskalanmış spektral pikləri və xromatoqrafik saxlanma sırasını öyrənərək molekulyar struktur məlumatı daşıyan təmsillər inkişaf etdirməyi hədəfləyir.

Mənbə DreaMS Atlas-ın təxminən 201 milyon MS/MS spektrindən ibarət olduğunu bildirir. Böyük miqyas annotasiya və oxşarlıq axtarışında güclü imkanlar yaratmaqla yanaşı məlumat saxlama və hesablama tələbatını da artırır.

NMR niyə hələ də lazımdır?

MS/MS parçalanması struktur haqqında güclü məlumat verə bilər, lakin xüsusən stereokimya, izomerlərin ayrılması və həqiqətən yeni strukturların qəti doğrulanmasında təkbaşına kifayət etməyə bilər. Mənbə NMR spektroskopiyasını 1D və 2D üsullarla yekun struktur doğrulamanın əsas vasitələrindən biri kimi saxlayır.

Buna görə AI əsaslı struktur proqnozu eksperimental struktur təyininin avtomatik əvəzi deyil, eksperimental işi daha hədəfli edən prioritetləşdirmə vasitəsidir.

Metabolomika və genomika niyə birlikdə istifadə olunur?

Genom mədənçiliyi orqanizmin nə istehsal edə biləcəyini, metabolomika isə müəyyən şəraitdə hansı molekulların həqiqətən müşahidə olunduğunu göstərir. Metabologenomika bu iki məlumat təbəqəsi arasında əlaqə qurmağa çalışır.

NPClassScore/NPLinker yanaşması təbii məhsul ontologiyalarından istifadə etməklə BGC ilə MS/MS siqnalları arasındakı mümkün əlaqələri sıralamışdır. Üç uyğunlaşdırılmış omik məlumat dəstində ümumilikdə 189 bakteriya ştammı ilə aparılan doğrulamada namizəd əlaqələrin sayını orta hesabla %63 azaldarkən eksperimental olaraq doğrulanmış əlaqələrin %96-nı qorumuşdur.

Bu nəticə namizəd fəzasını ciddi şəkildə daralda bilər, lakin qalan hər uyğunluğun qəti bioloji əlaqə olduğu anlamına gəlmir; eksperimental doğrulama tələb olunur.

AI rəhbərliyində hədəfli izolyasiya

Paulownia tomentosa meyvə ekstraktında LC-UV-HRMS/MS və supervised ML istifadə edən iş axını 2687 xüsusiyyət müəyyən etmiş, 42-ni istinad standartları ilə tanımış, 214-nü spektral kitabxana ilə annotasiya etmiş və 1805 MS/MS spektrini prenilləşmiş flavonoid sinfinə aid etmişdir.

Sonrakı prioritetləşdirmə beş birləşmənin hədəfli izolyasiyasına gətirib çıxarmış; bunlardan ikisi təbii mənbədə yeni strukturlar kimi bildirilmişdir. Mənbə namizəd fəzasının 2687 xüsusiyyətdən beş izolyasiya hədəfinə enməsini 537 dəfə xarakterizasiya azalması kimi ifadə edir.

Bu nümunə təbii məhsul kəşfi metodologiyasının gücünü göstərir; birbaşa antibakterial klinik effektivlik tədqiqatı deyil.

Generativ süni intellekt yeni antibiotik dizayn edə bilərmi?

Generativ modellər təlim məlumatlarındakı molekul və ya peptid nümunələrini öyrənərək əvvəllər məlumat bazasında olmayan namizəd strukturlar təklif edə bilər. Mənbədə GAN, recurrent modellər və latent diffusion xüsusilə antimikrob peptid dizaynında nəzərdən keçirilir.

Wang və həmkarlarının latent diffusion yanaşmasında 40 namizəd peptid sintez edilmiş və 25-i (%62,5) antibakterial və ya antifungal aktivlik göstərmişdir. AMP-24 Qram-mənfi bakteriyalara qarşı, AMP-29 isə Candida glabrata-ya qarşı seçici aktivlik göstərmişdir.

Generativ modelin bir sekans yaratması təkbaşına müalicə namizədi statusu vermir. Molekul sintez edilməli, MIC və spektr testləri aparılmalı, hemoliz/sitotoksiklik qiymətləndirilməli və zəruri hallarda farmakoloji doğrulamaya keçilməlidir.

Tədqiqatın Metodu və Nəticələri

Bu məqalənin özü hansı üsuldan istifadə edir?

Mənbə tədqiqat yeni eksperimental məlumat yaratmayan geniş əhatəli Review məqaləsidir. AMR-nin qlobal yükü və molekulyar rezistentlik mexanizmlərindən başlayaraq ənənəvi təbii məhsul kəşfinin darboğazlarına, AI modellərinə, BGC mədənçiliyinə, virtual skrininqə, dereplikasiyaya, metabolomika–kemoinformatika inteqrasiyasına və preklinik doğrulamaya doğru tematik sintez qurur.

Mənbədə ayrıca sistematik axtarış metodologiyası, məlumat bazasının skan tarixi, PRISMA axını və ya formal daxil etmə/xaric etmə meyarı bildirilmədiyindən Verianla məqaləsi tədqiqatları “sistematik seçilmiş meta-analitik korpus” kimi təqdim etmir.

Mənbənin elmi arxitekturası

AI Proqnozundan Eksperimental Antibakterial Namizədə Keçid Necə Doğrulanır?

AI proqnozunun real antibakterial namizəd kimi qiymətləndirilə bilməsi üçün hesablama prioritetləşdirməsindən sonra molekulun sintezi və ya izolyasiyası, in vitro aktivlik testi, hədəf/seçicilik və toksiklik qiymətləndirilməsi, mexanizmin doğrulanması və uyğun namizədlərdə in vivo infeksiya modelləri tələb olunur; heyvan modelində uğur isə hələ insan klinik effektivliyi demək deyil.

P076 doğrulama zənciri

GAN və GCN əsaslı AMPredictor çərçivəsində yaradılan P001, P002 və P076 peptidləri hesablama skrininqindən eksperimental testə keçmişdir. Model MIC proqnozunda RMSE 0,5348 və Pearson korrelyasiya əmsalı 0,7072 bildirmişdir.

Üç peptid səkkiz bakterial ştamma qarşı in vitro aktivlik göstərmişdir. P076 MDR Acinetobacter baumannii-yə qarşı MIC 0,21 µM səviyyəsində aktivlik göstərmiş, lipid A bağlanması üçün Kd 56,1 nM bildirilmiş və 70 µM-ə qədər hemoliz <%1 kimi raporlanmışdır.

Siçan peritoneal MDR A. baumannii infeksiya modelində 2 mg/kg P076 verilən qrupun 48 saatlıq sağqalması %50 olduğu halda PBS və siprofloksasin kontrol qruplarında %0 olmuşdur. Peritoneal bakteriya yükündə təxminən 25 dəfə azalma bildirilmişdir.

Bu nəticələr P076 üçün preklinik eksperimental sübut təqdim edir; insan müalicəsində doza, təhlükəsizlik və ya effektivliyi müəyyən etmir.

FtsZ və OmpW hədəfli kəşf

Mənbə hədəf əsaslı AI kəşfinə iki fərqli nümunə verir. Bir tədqiqatda FtsZ zülalına yönəlik virtual skrininq T3995 adlı namizədin prioritetləşdirilməsinə gətirib çıxarmışdır. Başqa bir tədqiqatda QSAR və structure-based screening A. baumannii-nin xarici membran zülalı OmpW-ni hədəfləyən demethoxycurcumin-i seçmişdir.

OmpW çatışmaz mutantla aparılan doğrulama proqnozlaşdırılan hədəf əlaqəsini sınaqdan keçirmək üçün xüsusilə dəyərlidir. Belə genetik və ya molekulyar kontroller sadəcə “birləşmə bakteriyanı öldürdü” nəticəsindən daha güclü mexanistik məlumat verir.

In vivo doğrulama nümunələri

İcmalda P12-nin siçan S. aureus yara infeksiyası modelində effektivliyi və 400 mg/kg səviyyəsinədək əsas orqanlarda aşağı toksiklik; EME7(7)-nin siçan A. baumannii pnevmoniya modelində effektivliyi və böyrək zədəsi yaratmaması; AMP-24 ilə AMP-29-un dəri və ağciyər infeksiya modellərindəki aktivliyi kimi preklinik nümunələr təqdim edilir.

Bunlar insan klinik tədqiqatları deyil. Siçan modelində effektiv olan namizəd sorulma, paylanma, metabolizm, dozalanma, toksiklik və insan patofiziologiyası baxımından ayrıca qiymətləndirilməlidir.

Halicin nümunəsi

Halicin mövcud molekul kitabxanasının dərin öyrənmə ilə yenidən skan edilməsi nəticəsində antibakterial aktivliyi prioritetləşdirilən strukturca fərqli molekuldur. Mənbədə geniş bakteriya spektrində in vitro aktivliyi və C. difficile ilə pan-rezistent A. baumannii siçan modellərindəki effektivliyi təqdim edilir.

Bu hal AI-nin yalnız mövcud antibiotiklərə bənzər strukturları axtarmaq məcburiyyətində olmadığını və fərqli kimyəvi skeletləri prioritetləşdirə bildiyini göstərir. Bununla belə, halicin nümunəsi AI tərəfindən tapılan bütün molekulların klinik inkişafa uğurla çatacağı anlamına gəlmir.

Hit rate nə qədər arta bilər?

İzaholunan AI niyə mühümdür?

Modelin yüksək proqnoz gücü hansı molekulyar xüsusiyyətin aktivliyi yaratdığını izah etməyə bilər. SHAP və oxşar izaholunan AI alətləri amin turşusu, molekulyar fraqment, fiziki-kimyəvi xüsusiyyət və ya digər girişlərin model qərarına töhfəsini görünən edə bilər.

Mənbə LLAMP nümunəsində triptofan, lizin və fenilalanin kimi amin turşusu qalıqlarının AMP aktivliyindəki əhəmiyyətinin izaholunma təhlili ilə müəyyən edildiyini və bu məlumatın peptid optimallaşdırılmasında istifadə olunduğunu bildirir.

Bununla belə, xüsusiyyət atfı səbəbiyyətin eksperimental sübutu deyil. Bir xüsusiyyətin həqiqətən təsir mexanizminin hissəsi olub-olmadığı müstəqil bioloji doğrulama ilə qiymətləndirilməlidir.

Mənbə şəkillərinin elmi funksiya xəritəsi

Tədqiqatın dəstəklədiyi nəticələr

İcmal AI-nin təbii məhsul və antibakterial kəşfin bir çox mərhələsində namizəd fəzasını daralda bildiyini, BGC-ləri böyük genom kolleksiyalarında prioritetləşdirə bildiyini, bioaktivlik və molekulyar struktur proqnozlarını yaxşılaşdıra bildiyini, dereplikasiyanı sürətləndirə bildiyini və bəzi seçilmiş tədqiqatlarda yüksək eksperimental hit faizlərinə malik namizədlər təqdim edə bildiyini dəstəkləyir.

Həmçinin genomik, metabolomik və kütlə spektrometriyası məlumatlarının birlikdə istifadəsi ilə genomdakı biosintetik potensialla müşahidə olunan kimyəvi molekul arasında daha güclü əlaqələr qurula bildiyini göstərir.

Mənbə bəzi AI tərəfindən prioritetləşdirilən antimikrob namizədlərin yalnız in silico mərhələsində qalmadığını; in vitro aktivlik, sitotoksiklik/hemoliz, hədəf mexanizmi və siçan infeksiya modellərinə qədər irəliləyən doğrulama nümunələrinin olduğunu da dəstəkləyir.

Tədqiqatın dəstəkləmədiyi nəticələr

İcmal AI-nin antibiotik inkişafı problemini həll etdiyini və ya modelin yüksək accuracy/AUC dəyərinin klinik cəhətdən uğurlu yeni antibiotik demək olduğunu sübut etmir.

Mənbədəki %50-dən yüksək hit faizləri bütün AI sistemləri, bütün kimyəvi kitabxanalar və ya bütün bakteriyalar üçün ümumi uğur faizi deyil. Bunlar fərqli tədqiqatların seçilmiş eksperimental doğrulama nəticələridir.

Heyvan modellərində effektivlik insan klinik effektivliyi deyil. In vitro MIC dəyəri insan dozasını müəyyən etmir. Molekul və ya peptid yaradılması dərman təsdiqi demək deyil.

İcmal formal sistematik ədəbiyyat seçimi və risk-of-bias qiymətləndirilməsi bildirmədiyindən təqdim edilən uğurlu nümunələrin bütün AI–antibakterial kəşf ədəbiyyatındakı orta performansı təmsil etdiyi nəticəsinə gəlmək olmaz.

Mənbənin öz nəticə bölməsində də modelin təkrar istehsal oluna bilməsi, standartlaşdırılmış benchmark çatışmazlığı, müsbət nəticələrə yönəlmiş nəşr qərəzi və məlumat keyfiyyəti problemlərinin AI performansını olduğundan daha nikbin göstərə biləcəyi qeyd olunur.

Gələcəkdə hansı addımlar lazımdır?

Mənbənin gələcək perspektivi geniş və yaxşı kurasiya edilmiş məlumat dəstləri, açıq model/kod paylaşımı, standartlaşdırılmış benchmark-lar, foundation modellər, daha yaxşı out-of-distribution etibar ölçümü, genomika–transkriptomika–metabolomika çoxqatlı məlumat inteqrasiyası və AI proqnozlarının eksperimental doğrulama ilə sıx əlaqələndirilməsi üzərində cəmlənir.

Xüsusən in vitro aktivliklə klinik effektivlik arasındakı boşluğu aradan qaldırmaq üçün farmakokinetika, farmakodinamika, toxuma paylanması, ev sahibinin immuniteti və in vivo təhlükəsizlik məlumatlarının gələcək proqnoz modellərinə daha sistematik şəkildə daxil edilməsi lazımdır.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Combating Antibacterial Resistance: The Integrative Role of Artificial Intelligence in Bio-Based Product Development

Müəlliflər: Renuka Gudepu; Swapna Sirikonda; Ravinaik Banoth; Praveen Kumar Annagowni; Swati Dahariya; Aditya Velidandi.

Məsul müəllif: Aditya Velidandi.

Qurumlar: Department of Microbiology, Pingle Government College for Women (A), Warangal; Department of Pharmaceutics, School of Pharmacy, Anurag University, Hyderabad; Department of Mechanical Engineering, St. Martin's Engineering College, Secunderabad; Department of Pharmaceutical Sciences, Jawaharlal Nehru Technological University, Anantapur; Department of Biochemistry, School of Life Sciences, University of Hyderabad; Department of Biotechnology, Vaagdevi Degree and P.G. College, Warangal, India.

Jurnal: Antibiotics.

Nəşriyyat: MDPI, Basel, Switzerland.

Nəşr məlumatı: 2026; cild 15; say 5; məqalə 478. Nəşr tarixi: 8 May 2026.

DOI: 10.3390/antibiotics15050478

Mənbə növü: Resenziyalı, açıq çıxışlı Review məqaləsi. Məqalədə ayrıca sistematik ədəbiyyat axtarışı üsulu, PRISMA axını və ya formal daxil etmə/xaric etmə protokolu olmadığından Verianla məzmununda narrativ/geniş icmal kimi nəzərdən keçirilmişdir.

Lisenziya: Creative Commons Attribution (CC BY).

Mənbənin əhatəsi: AMR yükü; molekulyar rezistentlik mexanizmləri; mövcud antibiotik siniflərinin məhdudiyyətləri; ənənəvi təbii məhsul kəşfinin darboğazları; ML/DL üsulları; AI dəstəkli BGC mədənçiliyi; molekulyar struktur və aktivlik proqnozu; virtual skrininq; dereplikasiya; metabolomika və kemoinformatika; metabologenomika; generativ model əsaslı AMP dizaynı; in vitro və in vivo doğrulama.

Mənbədə yeni eksperiment: Yoxdur. Məqalə əvvəllər dərc olunmuş tədqiqatların nəticələrini sintez edir.

Yeni məlumat: Yaradılmamış və ya təhlil edilməmişdir.

Etik komitə: Tətbiq edilmir.

Məlumatlandırılmış razılıq: Tətbiq edilmir.

Maliyyələşdirmə: Xarici maliyyələşdirmə alınmamışdır.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması bildirməmişdir.

Müəllif töhfələri: Konseptuallaşdırma Renuka Gudepu və Swapna Sirikonda; ilkin qaralama, nəzərdən keçirmə/redaktə və vizuallaşdırma bütün altı müəllif; superviziya Aditya Velidandi tərəfindən həyata keçirilmişdir.

Yazı aləti bəyanatı: Müəlliflər Grammarly-dən oxunaqlılığı və cümlə quruluşunu yaxşılaşdırmaq üçün istifadə etdiklərini; çıxışı özlərinin nəzərdən keçirib redaktə etdiklərini və nəşrin bütün məzmununa görə tam məsuliyyət daşıdıqlarını bildirmişdir.

Mənbədaxili epidemioloji qeyd: Abstract-dakı təxminən 4,95 milyon ölüm ifadəsi Verianla mətnində Cədvəl 1-in daha dəqiq ayrımı ilə şərh edilmişdir: təxminən 4,95 milyon ölüm AMR ilə əlaqəli, təxminən 1,27 milyon ölüm isə birbaşa rezistent infeksiyalara aid edilə bilən kimi bildirilir. Bu iki ölçü eyni məna daşımır.

Əsas metodoloji məhdudiyyətlər: Mənbə formal sistematik icmal metodologiyası bildirmir. Daxil edilən nümunələr model arxitekturası, məlumat mənbəyi, tapşırıq, metrik, doğrulama səviyyəsi və terapevtik sahə baxımından olduqca heterogendir. Bəzi metodoloji nümunələr birbaşa antibakterial kəşfdən deyil, daha geniş təbii məhsul və bioaktivlik proqnozu ədəbiyyatından gəlir. Buna görə performans dəyərləri vahid meta-analitik nəticə kimi birləşdirilə bilməz.

Mənbənin öz AI məhdudiyyətləri: Kod və öyrədilmiş modellərin həmişə açıq olmaması, standart benchmark çatışmazlığı, müsbət nəticələrə yönəlmiş nəşr qərəzi, natamam və ya ziddiyyətli bioaktivlik annotasiyaları, eksperiment şərtlərinin natamam bildirilməsi və ictimai məlumat bazalarındakı səhv və ya təkrarlanan qeydlər təkrar istehsal oluna bilməni və ümumiləşdirilə bilməni məhdudlaşdırır.

Verianla təqdimat üsulu: Bu məzmun orijinal məqalənin abstract və ya conclusion bölməsinin yaxın tərcüməsi deyil. Mənbədəki AMR mexanizmləri, təbii məhsul kəşfinin darboğazları, AI model ailələri, BGC mədənçiliyi, virtual skrininq, dereplikasiya, metabolomika–kemoinformatika, generativ AMP dizaynı, Figure 1–26-nın elmi funksiyaları, performans metrikləri, eksperimental doğrulama və məhdudiyyətlər ayrı elmi təbəqələrə ayrılmış və öyrədici Azərbaycan dilində struktur daxilində yenidən təşkil edilmişdir.

Şərh məhdudiyyəti: Burada təqdim edilən AI performansı və ya antibakterial namizəd məlumatları fərdi xəstə üçün antibiotik seçimi və ya müalicə tövsiyəsi deyil. Model dəqiqliyi, in vitro aktivlik və heyvan modelində effektivlik insan klinik effektivliyini əvəz etmir.