Жасалма интеллект колдогон табигый продукттарды ачуу — микроорганизмдердин же башка биологиялык булактардын геномдук жана химиялык ар түрдүүлүгүн эсептөөчү ыкмалар менен сканерлеп, жаңы антибактериялык талапкерлерди артыкчылыктуу тандоого багытталган дары ачуу ыкмасы. Бул кеңири сереп антибактериялык туруктуулуктун молекулалык негиздеринен тартып, салттуу табигый продукттарды ачуунун тар жерлерин, биосинтетикалык ген кластерлерин издөө, машина үйрөнүүсү жана терең үйрөнүү негизиндеги биоактивдүүлүктү божомолдоо, виртуалдык скрининг, дерепликация, метаболомика–хемоинформатика интеграциясы, генеративдик моделдер жана эсептөө жолу менен тандалган талапкерлерди in vitro жана in vivo текшерүүнү бирге карайт. Булак жаңы эксперимент же клиникалык изилдөө жүргүзгөн эмес; ар түрдүү изилдөөлөрдөгү ыкмаларды, моделдерди жана эксперименттик ырастоо жыйынтыктарын жалпылаган.

Серептин негизги илимий билдирүүсү — жасалма интеллект антибактериялык ачылышта бир гана алгоритм же бир гана божомол модели катары эмес, ачылыш чынжырынын көптөгөн чекиттерин байланыштырган эсептөө катмары катары колдонулушу мүмкүн. AI колдогон геном издөө чоң геном жыйнактарында мурда изилденбеген биосинтетикалык ген кластерлерин таба алат; машина үйрөнүүсү талапкер молекулалардын биоактивдүүлүгүн божомолдой алат; масс-спектрометрия жана хемоинформатика куралдары белгилүү кошулмаларды тезирээк айырмалай алат; метабологеномикалык ыкмалар генетикалык потенциалды чыныгы метаболиттер менен байланыштыра алат; генеративдик моделдер болсо жаңы молекула же антимикробдук пептид талапкерлерин сунуштай алат.

Булакта e-DeepBGC 5666 бактериялык геномдо 170.685 биосинтетикалык ген кластерин аныктаганы, BioAct-Het белгилүү биоактивдүүлүктү божомолдоо тапшырмасында %88,5 тактыкка жеткени жана өтө чоң transfer-learning скринингинде эксперименттик текшерилген тандалган талапкерлердин %54үндө антибактериялык активдүүлүк байкалганы сыяктуу көңүл бурарлык жыйынтыктар берилет. Бирок бул көрсөткүчтөр ар башка тапшырмаларга, маалымат топтомдоруна жана эксперимент дизайндарына тиешелүү. Аларды бирдиктүү жалпы “AI ийгилик көрсөткүчү” катары бириктирүүгө болбойт.

Серептин эң маанилүү чечмелөө чеги — моделдин жогорку көрсөткүчү клиникалык антибиотик ийгилигин билдирбейт. Модель сунуштаган талапкер чыныгы дарыга айланышы үчүн химиялык ырастоо, in vitro активдүүлүк, тандалмалуулук жана уулуулук, таасир механизми, фармакокинетикалык жана фармакодинамикалык касиеттер, ылайыктуу жаныбар моделдери жана акырында адамдагы клиникалык изилдөөлөр сыяктуу ырааттуу текшерүү баскычтарынан өтүшү керек. Булак ошондой эле кайра өндүрүмдүүлүк, жарыялоо кыйшайуусу, маалымат сапаты, стандартташтырылган benchmark жоктугу жана in vivo маалыматтын чектелүүлүгү сыяктуу негизги көйгөйлөрдү ачык тааныйт.

Антибактериялык туруктуулук эмне үчүн жаңы ачылыш ыкмаларын талап кылат?

Антибактериялык туруктуулук — бактерияларга антибиотиктердин таасиринен качууга мүмкүндүк берген тукум куучулук же жүрө пайда болгон механизмдердин клиникалык деңгээлде дарылоону кыйындатуусу. Булак AMRнин глобалдык жүгүн түшүндүргөндө 4,95 миллион өлүм туруктуу инфекциялар менен байланышканын, ал эми болжол менен 1,27 миллион өлүм түздөн-түз туруктуу инфекцияларга таандык экенин айырмалайт. Бул эки сан бир эле эпидемиологиялык түшүнүк эмес.

Туруктуулук көйгөйү жөн гана көбүрөөк антибиотик колдонуу менен чечиле турган маселе эмес. Учурдагы антибактериялык класстар бир учурда бир нече молекулалык коргонуу механизмдерине туш болот. β-лактамазалар жана карбапенемазалар антибиотикти ажырата алат; бута молекулаларындагы өзгөрүүлөр антибиотиктин байланышын азайта алат; efflux насостору дарыны клеткадан сыртка чыгара алат; пориндин жоголушу дарынын клеткага киришин чектей алат; айрым бактериялар бөгөттөлгөн метаболизм баскычын альтернативдүү ферменттер менен айланып өтө алат.

Табигый продукттарды ачуу тарыхый жактан эмне үчүн маанилүү?

Пенициллин, тетрациклин жана ванкомицин сыяктуу көптөгөн маанилүү антибактериялык каражаттар табигый же биологиялык келип чыгыштагы ачылыштардан алынган. Микроорганизмдер, өсүмдүктөр, козу карындар жана деңиз организмдери өтө кең химиялык ар түрдүүлүктү жаратат. Ошого карабастан классикалык табигый продукттарды ачуу биологиялык материалды чогултуу жана активдүүлүк тестин жүргүзүү менен гана чектелбейт.

Бир экстрактта миңдеген химиялык сигналдар болушу мүмкүн. Изилдөөчү алардын кайсынысы мурда белгилүү молекула, кайсынысы чындап жаңы түзүлүш, кайсынысы биологиялык активдүүлүккө ээ кошулма жана кайсынысы лабораториялык шартта өндүрүлбөгөн геномдук потенциал экенин айырмалашы керек.

Булакта табигый продукттарды ачуунун негизги тар жерлери катары белгилүү кошулмаларды кайра ачуу, төмөн скрининг hit көрсөткүчү, өстүрүүгө болбой турган микроорганизмдер, лабораториялык шартта үнсүз калган биосинтетикалык ген кластерлери, чектелген дерепликация мүмкүнчүлүгү, узак hit-to-lead процесси жана жогорку иштеп чыгуу чыгымы каралат.

Биосинтетикалык Ген Кластери Деген Эмне жана AI Бул Жерде Эмне Үчүн Колдонулат?

Биосинтетикалык ген кластери (biosynthetic gene cluster, BGC) — белгилүү табигый продукттун же атайын метаболиттин биосинтезинде бирге иштеген гендердин геномдо функционалдык түрдө топтолгон аймагы; AI моделдери чоң геном жыйнактарында бул аймактарды таануу, чек араларын аныктоо, продукт класстарын божомолдоо жана эксперименттик иш үчүн эң кызыктуу кластерлерди артыкчылыктуу тандоо максатында колдонулат.

DeepBGC жана e-DeepBGC

DeepBGC геном боюнча белок үй-бүлөлөрүн жана секвенс контекстин талдап, мүмкүн болгон BGC аймактарын аныктоо үчүн эки багыттуу LSTM негизиндеги терең үйрөнүүнү колдонот. Модель ошондой эле Random Forest классификаторлору менен продукт классын жана мүмкүн болгон химиялык активдүүлүктү божомолдой алат.

e-DeepBGC бул түзүлүштү ырасталган BGCлер, Pfam белок үй-бүлөлөрү, Pfam функциялары жана clan маалыматы менен кеңейткен. Булакка ылайык, 5666 RefSeq бактериялык геномдо 170.685 BGC аныктап, ар бир геномго орточо 30,1 кластер билдирген.

Self-supervised моделдер

BiGCARP сыяктуу self-supervised моделдер белгиленбеген же чектелген аннотациялуу геномдук маалыматтан белок домендеринин контексттик иретин үйрөнөт. Булакта BiGCARP 127.294 BGC үстүндө алдын ала үйрөтүлгөнү; 773 аннотациясыз бактериялык геномдо 4287 кластер аныктаганы айтылат.

Бул ыкманын мүмкүн болгон артыкчылыгы белгилүү BGC мотивин гана жаттап албастан, биосинтетикалык уюшулуунун жалпы тилин үйрөнүүгө аракет кылуусу. Бирок окутуу маалыматтарынын бөлүштүрүлүшүнөн өтө айырмаланган жаңы BGC класстарына жалпылоо дагы эле негизги чектөөлөрдүн бири.

BGCни биологиялык “сүйлөм” сыяктуу окуу

Булакта айрым NLP моделдери белок домендерин сөздөр, BGC түзүлүшүн болсо биологиялык сүйлөм катары көрсөтөт. BGCCGB BERT сыяктуу көңүл буруу механизмдерин Graph Convolutional Networks менен бириктирет, ал эми BGC-Prophet transformer encoder колдонот.

Бул салыштыруу түшүндүрүүнү жеңилдетүү үчүн гана эмес. BGC ичиндеги гендин мааниси өзүнүн идентификациясынан гана эмес, коңшу гендер жана алысыраак биосинтетикалык компоненттер менен контексттик байланышынан да келип чыгышы мүмкүн.

Классикалык машина үйрөнүүсү эмне үчүн дагы эле маанилүү?

Терең үйрөнүү ар бир көйгөйдө автоматтык түрдө үстөм эмес. RFBGCPred Word2Vec көрсөтмөлөрү, supervised UMAP жана Random Forest менен BGC классификациясын жүргүзүп; тең салмакталган тест жыйнагында %98,0 accuracy, MCC 0,9752 жана AUC 0,9928 билдирген. Тең салмаксыз валидация жыйнагында accuracy %94,8ге түшсө да, модель күчтүү көрсөткүчүн сактаган.

Бул жыйынтык айрым маалымат түзүлүштөрүндө жакшы долбоорлонгон классикалык ML терең үйрөнүү менен атаандаша аларын көрсөтөт. Бирок бирдей метрикалар ар башка моделдер жана маалымат топтомдору арасында көзөмөлсүз салыштырылбашы керек.

Reinforcement learning эмнени оңдоого аракет кылат?

BGCнин бар экенин гана табуу жетишсиз; башталышы жана аягы туура аныкталышы керек. Булакта reinforcement learning божомолдонгон кластерлерде кайсы гендерди калтыруу же чыгарууну итеративдүү үйрөнүү үчүн колдонулган ыкма берилет.

Бул ыкма fungiSMASH жана DeepBGC сыяктуу системаларда кластер precision-ын %25тен көп, айрым куралдарда ген precision-ын %15тен көп жогорулаткан. Бул көрсөткүчтөр бардык организмдерге жалпыланган туруктуу өсүш эмес, тиешелүү валидация шарттарындагы жыйынтыктар.

Метагеномика эмне үчүн кыйыныраак?

Метагеномикалык үлгүлөр бир таза геномдун ордуна көптөгөн микроорганизмдердин DNAсын камтыйт. Геном фрагменттерин жыйноо толук эмес же бөлүк-бөлүк болсо, узун BGCлерди толугу менен кармоо кыйындайт.

HiFiBGC үч ар башка PacBio HiFi шайкеш метагеном assembler-ынан алынган жыйындыларды бириктирген ensemble ыкмасын колдонот. Булакка ылайык, бул стратегия эң жакшы бир assembler ыкмасына караганда орточо %78 көп BGC аныктаган жана ensemble assembly калыбына келтирүүнү болжол менен %25 жогорулаткан.

Геномдук божомол молекулага кантип байланыштырылат?

BGCнин табылышы кайсы химиялык молекула чындап өндүрүлөрүн өзүнөн өзү көрсөтпөйт. Ошондуктан Seq2PKS жана Seq2Saccharide сыяктуу куралдар геном издөөсүн масс-спектрометрия менен бириктирет. Геномдон көптөгөн мүмкүн болгон молекулалык түзүлүштөр түзүлөт; андан соң эксперименттик MS сигналдары ошол түзүлүштөр менен салыштырылып, мүмкүн болгон дал келүүлөр кыскартылат.

Булакта Seq2PKS monazomycin, oasomycin A жана 2-aminobenzamide-actiphenol BGCлерин аныктоодо; Seq2Saccharide болсо trestatin Bнин BGCсин табууда мисал катары берилет.

Үнсүз жана криптикалык BGCлер эмне үчүн маанилүү?

Микроорганизмдин геномунда белгилүү табигый продуктту өндүрүү потенциалы болушу мүмкүн, бирок тиешелүү ген кластери стандарттык лабораториялык шартта активдүү болбой калышы мүмкүн. Мындай кластерлер “silent” же “cryptic” деп аныкталат.

SYNTERUPTOR Streptomyces ambofaciensте мурдагы antiSMASH версиялары таппаган атайын метаболит ген кластерин аныктап, кийин бул кластер эки метаболиттин биосинтезин башкарганы эксперименттик көрсөтүлүшү эсептөө божомолу менен лабораториялык ырастоо эмне үчүн бирге керек экенин көрсөткөн мисалдардын бири.

AI менен түзүлүш жана биоактивдүүлүктү божомолдоо

Геном издөөсүнөн кийинки экинчи чоң көйгөй — молекулалык түзүлүштөрдү жана биологиялык активдүүлүктү божомолдоо. Булак Random Forest, SVM, gradient boosting, CNN, RNN, GNN, transformer, transfer learning жана генеративдик моделдерди ар кандай тапшырмаларда карайт.

BioAct-Het аттуу heterogeneous Siamese neural network булакта биоактивдүүлүктү божомолдоодо %88,5 accuracy менен мисал келтирилет. Башка моделдер AUC, MCC, F1, RMSE, Pearson корреляциясы же hit rate сыяктуу ар башка метрикалар менен бааланган. Бул өлчөөлөрдүн математикалык мааниси ар башка болгондуктан, алар бир эле “ийгилик” түшүнүгүнүн өз ара алмашуучу синонимдери эмес.

Антимикробдук пептиддерди ачуу

AMPlify эки багыттуу LSTM, multi-head attention жана context attention колдонуп антимикробдук пептид секвенстерин классификациялайт. Булакта 3338 окутуу жана 835 тест секвенси менен %93,71 accuracy, %92,93 sensitivity, %94,49 specificity, %93,66 F1 жана %98,37 AUROC билдирилген.

Андан кийин бака геномунан сунушталган 101 секвенстен 16 пептид синтезделип, төрт жаңы пептид эксперименттик антибактериялык активдүүлүк көрсөткөн. Бул сыналган синтезделген талапкерлердин арасында %25 hit rateке туура келет.

Бул жерде маанилүү айырма — моделдин тест жыйнагындагы классификация тактыгы менен лабораторияда активдүү чыккан жаңы талапкерлердин hit rate көрсөткүчү ар башка өлчөөлөр.

D-MPNN менен табигый продукттарды виртуалдык скринингдөө

Directed Message-Passing Neural Network модели Burkholderia cenocepaciaга каршы 29.537 кошулманын эксперименттик скринингинен алынган маалымат менен үйрөтүлгөн. Алгачкы high-throughput скринингдин hit rateи болгону %0,87 болгон.

Модель кийин 1614 FDA бекиткен кошулманы жана 224.205 табигый продуктту виртуалдык скринингден өткөргөн; эксперименттик бааланган эң жогорку рейтингдеги талапкерлерде тиешелүүлүгүнө жараша %26 жана %12 hit rate билдирилген. Булак муну баштапкы кокустук/экспериментке басым жасалган скринингге караганда кеминде 14 эсе байытуу деп чечмелейт.

Бир миллиарддан ашык молекуланы кантип скринингдөөгө болот?

Transfer-learning ыкмасында GNNлер алгач кең молекулалык маалыматта алдын ала үйрөтүлүп, андан кийин чектелген антибактериялык активдүүлүк маалыматы менен fine-tune кылынган. Бул модель ChemDiv жана Enamine булактарынан алынган бир миллиарддан ашык виртуалдык молекуланы иреттеген.

Эксперименттик тест үчүн 156 талапкер тандалган; булакта текшерилген талапкерлердин %54ү E. coliге каршы MIC ≤10 µg/mL активдүүлүк көрсөткөнү айтылат. Бирок бул %54 көрсөткүч бир миллиард молекуланын %54ү антибактериялык дегенди билдирбейт. Бул моделдин жогорку ыктымалдыктагы деп тандаган чакан, артыкчылыктуу эксперименттик бөлүгүнүн hit rateи.

Жогорку AI Hit Rate Клиникалык Антибиотик Ийгилигин Билдиреби?

Жок. Hit rate эсептөө жолу менен тандалган талапкерлердин белгилүү эксперименттик тестте алдын ала коюлган активдүүлүк критерийине жооп берген бөлүгүн билдирет; ал эми клиникалык антибиотик ийгилиги адамдардагы натыйжалуулук, коопсуздук, дозалоо, фармакокинетика, фармакодинамика, туруктуулуктун өнүгүшү жана клиникалык жыйынтыктар боюнча кыйла жогорку далил деңгээли.

Модель метрикасы менен эксперименттик активдүүлүктүн айырмасы

Accuracy же AUC моделдин классификация жүрүмүн, RMSE сандык божомол катасын, Pearson корреляциясы божомол менен чыныгы маанинин сызыктуу байланышын, hit rate болсо тандалган талапкерлердин канчасы лабораторияда активдүү чыкканын өлчөйт.

Бул өлчөөлөрдүн эч бири өзүнчө адамдарда дарылоонун ийгилигин көрсөтпөйт. Verianla үчүн туура далил чынжыры “модель упайы → эксперименттик талапкер → активдүүлүк → уулуулук/тандалмалуулук → механизм → in vivo ырастоо → клиникалык изилдөө” катары окулушу керек.

Out-of-distribution көйгөйү

AI модели окутууда көргөнүнө окшош молекулаларда жогорку көрсөткүч көрсөтүп, химиялык мейкиндиктин мурда көрбөгөн аймактарында ийгиликсиз болушу мүмкүн. Булак бул көйгөйдү “unfamiliarity” сыяктуу өлчөөлөр менен караган изилдөөлөрдү берет.

Ошондуктан химиялык жактан жаңы талапкердин модель упайы жогору болсо да, моделдин дал ошол түзүлүш классына канчалык ишенимдүү экени өзүнчө бааланышы керек.

Cell Painting жана фенотиптик маалымат

Молекуланын химиялык түзүлүшүн гана колдонбостон, анын клеткаларда жараткан морфологиялык фенотиптери да моделге кошулушу мүмкүн. Булакта Cell Painting менен химиялык түзүлүш маалыматы бирге колдонулган моделдер 140 assay боюнча орточо AUROC 0,744 ± 0,108 берген; assayлердин %62синде AUROC ≥0,7, %30унда ≥0,8 жана %7синде >0,9 билдирилген.

Бул ыкма түзүлүштүк окшоштуктан тышкары клеткалык таасирден маалымат чыгара алат, бирок колдонулган assayлердин баары антибактериялык эмес. Бул жыйынтык табигый продукт биоактивдүүлүгүн божомолдоонун методологиялык чөйрөсүн көрсөтөт.

Дерепликация Табигый Продукт Ачылышында Эмне Үчүн Критикалык Баскыч?

Дерепликация биологиялык үлгүдөгү химиялык сигналдардын мурда белгилүү кошулмаларга таандык же таандык эмес экенин мүмкүн болушунча эрте аныктап, ошол эле молекуланы кайра изоляциялоого кетүүчү убакытты жана эксперименттик ресурсту азайтат; AI жана хемоинформатика бул жерде MS/MS спектрлерин, молекулалык формулаларды, түзүлүш талапкерлерин жана спектралдык тармактарды тезирээк дал келтирүү үчүн колдонулат.

GNPS жана молекулалык тармактар

Global Natural Products Social Molecular Networking (GNPS) окшош MS/MS фрагментация үлгүлөрүн спектралдык тармактарда байланыштырып, химиялык үй-бүлөлөрдү көрүнүктүү кылат. Белгилүү спектрге жакын белгисиз сигналдар тиешелүү молекула үй-бүлөсүнүн бөлүгү катары артыкчылыктуу тандалышы мүмкүн.

Булакта GNPS деңизден алынган Streptomyces, балыр изилдөөлөрү, клиникалык үлгүлөр, өсүмдүк экстракттары жана микробиом метаболомикасы сыяктуу өтө ар түрдүү контексттерде колдонулган.

SIRIUS жана CSI:FingerID

SIRIUS tandem MS маалыматынан молекулалык формуланы божомолдосо, CSI:FingerID химиялык түзүлүшкө тиешелүү fingerprint белгилерин божомолдоп, талапкер түзүлүш маалымат базаларын иреттей алат.

Булак бул системалар чоң маалымат топтомдорунда аннотация камтуусун кеңейте аларын, бирок акыркы түзүлүштү ырастоодо NMR сыяктуу ортогоналдык ыкмалардын мааниси сакталарын баса белгилейт.

UmetaFlow

UmetaFlow алдын ала иштетүү, спектралдык дал келтирүү, молекулалык формула жана түзүлүш божомолу менен GNPS негизиндеги кийинки анализдерди автоматташтырган workflow. Булактагы валидацияда 100 actinomycete штаммынан 1245 чийки файлды алдын ала иштетүү болжол менен 1 саат 12 мүнөт созулган; формула жана түзүлүш божомолдорун бүтүрүү болжол менен 10 күн талап кылган.

Бул мисал AI ар дайым “дароо” анализ дегенди билдирбесин да көрсөтөт. Чоң DL жана хемоинформатика иш агымдары олуттуу эсептөө инфраструктурасын талап кылышы мүмкүн.

CSU-MS2 жана контрастивдүү үйрөнүү

CSU-MS2 MS/MS спектрлери менен молекулалык түзүлүштөрдү жалпы көрсөтүү мейкиндигинде дал келтирүү үчүн contrastive learning колдонот. Булакта 1047 спектр 23 түзүлүш маалымат базасынан жыйналган 1.001.047 талапкер молекулага каршы бааланган benchmarkта Recall@1 %75,45 деп билдирилген.

Ошол эле benchmarkта CFM-ID %68,38, SIRIUS %64,85, MetFrag %48,59 жана CMSSP %30,47 Recall@1 берген. Бул жыйынтык белгилүү benchmark шарттарына тиешелүү; бардык метаболомикалык маалымат түрлөрүнө универсалдуу артыкчылыкты билдирбейт.

Foundation model ыкмасы

DreaMS миллиондогон аннотациясыз tandem масс-спектрлерде self-supervised алдын ала үйрөтүүнү колдонгон transformer негизиндеги модель. Ал маскаланган спектралдык чокуларды жана хроматографиялык кармалуу тартибин үйрөнүп, молекулалык түзүлүш маалыматын камтыган көрсөтмөлөрдү өнүктүрүүгө багытталган.

Булак DreaMS Atlas болжол менен 201 миллион MS/MS спектринен турарын билдирет. Чоң масштаб аннотация жана окшоштук издөөдө күчтүү мүмкүнчүлүктөрдү бергени менен, маалымат сактоо жана эсептөө талаптарын да көбөйтөт.

NMR эмне үчүн дагы эле керек?

MS/MS фрагментациясы түзүлүш тууралуу күчтүү маалымат бере алат, бирок айрыкча стереохимия, изомерлерди айырмалоо жана чындап жаңы түзүлүштөрдү так ырастоо үчүн өзү жетишсиз болушу мүмкүн. Булак NMR спектроскопиясын 1D жана 2D ыкмалары менен акыркы түзүлүштү ырастоонун негизги куралдарынын бири катары сактайт.

Ошондуктан AI негизиндеги түзүлүш божомолу эксперименттик түзүлүш аныктоонун автоматтык орду эмес, эксперименттик ишти көбүрөөк максаттуу кылган артыкчылыктуу тандоо куралы.

Метаболомика жана геномика эмне үчүн бирге колдонулат?

Геном издөө организм эмнени өндүрө аларын, метаболомика болсо белгилүү шартта кайсы молекулалар чындап байкаларын көрсөтөт. Метабологеномика бул эки маалымат катмарынын ортосунда байланыш түзүүгө аракет кылат.

NPClassScore/NPLinker ыкмасы табигый продукт онтологияларын колдонуп BGC менен MS/MS сигналдарынын мүмкүн болгон байланыштарын иреттеген. Үч дал келген омикалык маалымат топтомунда жалпы 189 бактерия штаммы менен жүргүзүлгөн валидацияда талапкер байланыштардын санын орточо %63 кыскартып, эксперименттик ырасталган байланыштардын %96сын сактап калган.

Бул жыйынтык талапкерлер мейкиндигин олуттуу тарылта алат, бирок калган ар бир дал келүү так биологиялык байланыш дегенди билдирбейт; эксперименттик ырастоо талап кылынат.

AI жетектеген максаттуу изоляция

Paulownia tomentosa мөмө экстрактында LC-UV-HRMS/MS жана supervised ML колдонгон иш агымы 2687 белгини аныктап, 42син референстик стандарттар менен таанып, 214үн спектралдык китепкана менен аннотациялап жана 1805 MS/MS спектрин пренилденген флавоноид классына бөлгөн.

Кийинки артыкчылыктуу тандоо беш кошулманы максаттуу изоляциялоого алып келген; алардын экөө табигый булакта жаңы түзүлүштөр катары билдирилген. Булак талапкер мейкиндигинин 2687 белгиден беш изоляция максатына азайышын 537 эсе мүнөздөмө кыскаруусу катары сүрөттөйт.

Бул мисал табигый продукт ачуу методологиясынын күчүн көрсөтөт; түздөн-түз антибактериялык клиникалык натыйжалуулук изилдөөсү эмес.

Генеративдик жасалма интеллект жаңы антибиотик долбоорлой алабы?

Генеративдик моделдер окутуу маалыматындагы молекула же пептид үлгүлөрүн үйрөнүп, мурда маалымат базасында болбогон талапкер түзүлүштөрдү сунуштай алат. Булакта GAN, recurrent моделдер жана latent diffusion айрыкча антимикробдук пептид дизайнында каралат.

Wang жана кесиптештеринин latent diffusion ыкмасында 40 талапкер пептид синтезделип, 25и (%62,5) антибактериялык же антифунгалдык активдүүлүк көрсөткөн. AMP-24 Грам-терс бактерияларга каршы, ал эми AMP-29 Candida glabrataга каршы тандалма активдүүлүк көрсөткөн.

Генеративдик моделдин секвенс жаратуусу өзү эле дарылоо талапкери макамын бербейт. Молекула синтезделиши, MIC жана спектр тесттери жүргүзүлүшү, гемолиз/цитотоксикалуулук бааланышы жана зарыл учурларда фармакологиялык ырастоого өтүлүшү керек.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Бул макаланын өзү кайсы ыкманы колдонот?

Булак изилдөө жаңы эксперименттик маалымат түзбөгөн кеңири Review макаласы. Ал AMRнин глобалдык жүгүнөн жана молекулалык туруктуулук механизмдеринен баштап салттуу табигый продукт ачуудагы тар жерлерге, AI моделдерине, BGC издөөсүнө, виртуалдык скринингге, дерепликацияга, метаболомика–хемоинформатика интеграциясына жана преклиникалык ырастоого чейин тематикалык синтез түзөт.

Булакта өзүнчө системалуу издөө методологиясы, маалымат базасын издөө датасы, PRISMA агымы же формалдуу киргизүү/чыгаруу критерийлери билдирилбегендиктен, Verianla макаласы изилдөөлөрдү “системалуу тандалган мета-аналитикалык корпус” катары көрсөтпөйт.

Булактын илимий архитектурасы

AI Божомолунан Эксперименттик Антибактериялык Талапкерге Өтүү Кантип Ырасталат?

AI божомолун чыныгы антибактериялык талапкер катары баалоо үчүн эсептөөчү артыкчылыктуу тандоодон кийин молекуланы синтездөө же изоляциялоо, in vitro активдүүлүк тести, бута/тандалмалуулук жана уулуулук баалоосу, механизмди ырастоо жана ылайыктуу талапкерлерде in vivo инфекция моделдери талап кылынат; жаныбар моделиндеги ийгилик дагы эле адамдагы клиникалык натыйжалуулукту билдирбейт.

P076 ырастоо чынжыры

GAN жана GCN негизиндеги AMPredictor алкагында түзүлгөн P001, P002 жана P076 пептиддери эсептөө скринингинен эксперименттик тестке өткөн. Модель MIC божомолунда RMSE 0,5348 жана Pearson корреляция коэффициенти 0,7072 билдирген.

Үч пептид сегиз бактериялык штаммга каршы in vitro активдүүлүк көрсөткөн. P076 MDR Acinetobacter baumanniiге каршы MIC 0,21 µM деңгээлинде активдүүлүк көрсөткөн, lipid A байланышы үчүн Kd 56,1 nM билдирилген жана 70 µMге чейин гемолиз <%1 деп маалымдалган.

Чычкандын перитонеалдык MDR A. baumannii инфекция моделинде 2 mg/kg P076 алган топтун 48 сааттык тирүү калуусу %50 болгон, ал эми PBS жана ципрофлоксацин контролдук топторунда %0 болгон. Перитонеалдык бактериялык жүктүн болжол менен 25 эсе азайганы билдирилген.

Бул жыйынтыктар P076 үчүн преклиникалык эксперименттик далил берет; адамдагы дарылоонун дозасын, коопсуздугун же натыйжалуулугун аныктабайт.

FtsZ жана OmpW бутага багытталган ачылыш

Булак бутага негизделген AI ачылышына эки башка мисал берет. Бир изилдөөдө FtsZ белогуна багытталган виртуалдык скрининг T3995 аттуу талапкерди артыкчылыктуу тандоого алып келген. Башка изилдөөдө QSAR жана structure-based screening A. baumanniiнин тышкы мембрана белогу OmpWни бутага алган demethoxycurcuminди тандаган.

OmpW жетишпеген мутант менен жүргүзүлгөн ырастоо божомолдонгон бута байланышын текшерүү үчүн өзгөчө баалуу. Мындай генетикалык же молекулалык контролдор жөн гана “кошулма бактерияны өлтүрдү” деген жыйынтыктан күчтүүрөөк механисттик маалымат берет.

In vivo ырастоо мисалдары

Серепте P12нин чычкан S. aureus жара инфекция моделиндеги натыйжалуулугу жана 400 mg/kgге чейин негизги органдарда төмөн уулуулук; EME7(7)нин чычкан A. baumannii пневмония моделиндеги натыйжалуулугу жана бөйрөк зыян келтирбеши; AMP-24 жана AMP-29дун тери жана өпкө инфекция моделдериндеги активдүүлүгү сыяктуу преклиникалык мисалдар берилет.

Бул адамдагы клиникалык изилдөөлөр эмес. Чычкан моделинде натыйжалуу болгон талапкер сиңүү, бөлүштүрүлүү, метаболизм, дозалоо, уулуулук жана адам патофизиологиясы боюнча өзүнчө бааланышы керек.

Halicin мисалы

Halicin — учурдагы молекула китепканасын терең үйрөнүү менен кайра скринингдөө натыйжасында антибактериялык активдүүлүгү артыкчылыктуу тандалган түзүлүшү өзгөчө молекула. Булакта анын кең бактерия спектриндеги in vitro активдүүлүгү жана C. difficile менен pan-туруктуу A. baumannii чычкан моделдериндеги натыйжалуулугу берилет.

Бул учур AI учурдагы антибиотиктерге окшош түзүлүштөрдү гана издеши керек эместигин жана башка химиялык скелеттерди артыкчылыктуу тандай аларын көрсөтөт. Бирок halicin мисалы AI тапкан бардык молекулалар клиникалык өнүктүрүүгө ийгиликтүү жетет дегенди билдирбейт.

Hit rate канчалык өсүшү мүмкүн?

Түшүндүрмө берилүүчү AI эмне үчүн маанилүү?

Моделдин жогорку божомол күчү кайсы молекулалык өзгөчөлүк активдүүлүктү жаратарын түшүндүрбөшү мүмкүн. SHAP жана окшош түшүндүрмө берилүүчү AI куралдары аминокислота, молекулалык фрагмент, физикалык-химиялык касиет же башка киргизүүлөрдүн модель чечимине кошкон салымын көрүнүктүү кыла алат.

Булак LLAMP мисалында триптофан, лизин жана фенилаланин сыяктуу аминокислота калдыктарынын AMP активдүүлүгүндөгү мааниси интерпретациялык анализ менен аныкталганын жана бул маалымат пептид оптималдаштыруусунда колдонулганын билдирет.

Бирок өзгөчөлүктүн салымын аныктоо себептүүлүктүн эксперименттик далили эмес. Ал өзгөчөлүк чындап таасир механизминин бөлүгүбү же жокпу, көз карандысыз биологиялык ырастоо менен бааланышы керек.

Булак сүрөттөрүнүн илимий функция картасы

Изилдөө колдогон жыйынтыктар

Сереп AI табигый продукт жана антибактериялык ачылыштын көптөгөн баскычтарында талапкер мейкиндигин тарылта аларын, чоң геном жыйнактарында BGCлерди артыкчылыктуу тандай аларын, биоактивдүүлүк жана молекулалык түзүлүш божомолдорун жакшырта аларын, дерепликацияны тездетерин жана айрым тандалган изилдөөлөрдө жогорку эксперименттик hit көрсөткүчтөрүнө ээ талапкерлерди бере аларын колдойт.

Ошондой эле геномдук, метаболомикалык жана масс-спектрометрия маалыматтарын бирге колдонуу аркылуу геномдогу биосинтетикалык потенциал менен байкалган химиялык молекуланын ортосунда күчтүүрөөк байланыш түзүлө аларын көрсөтөт.

Булак айрым AI артыкчылыктуу тандаган антимикробдук талапкерлер in silico баскычында гана калбаганын; in vitro активдүүлүк, цитотоксикалуулук/гемолиз, бута механизми жана чычкан инфекция моделдерине чейин жеткен ырастоо мисалдары бар экенин да колдойт.

Изилдөө колдобогон жыйынтыктар

Сереп AI антибиотик иштеп чыгуу көйгөйүн чечкенин же моделдин жогорку accuracy/AUC мааниси клиникалык жактан ийгиликтүү жаңы антибиотикти билдирерин далилдебейт.

Булактагы %50дөн жогору hit көрсөткүчтөрү бардык AI системалары, бардык химиялык китепканалар же бардык бактериялар үчүн жалпы ийгилик көрсөткүчү эмес. Бул ар башка изилдөөлөрдүн тандалган эксперименттик ырастоо жыйынтыктары.

Жаныбар моделдериндеги натыйжалуулук адамдагы клиникалык натыйжалуулук эмес. In vitro MIC мааниси адам дозасын аныктабайт. Молекула же пептид жаратуу дарынын бекитилишин билдирбейт.

Сереп формалдуу системалуу адабият тандоосун жана risk-of-bias баалоосун билдирбегендиктен, келтирилген ийгиликтүү мисалдар бүт AI–антибактериялык ачылыш адабиятындагы орточо көрсөткүчтү чагылдырат деген тыянак чыгарууга болбойт.

Булактын өз жыйынтык бөлүмүндө да моделдин кайра өндүрүмдүүлүгү, стандартташтырылган benchmark жоктугу, оң натыйжаларга багытталган жарыялоо кыйшайуусу жана маалымат сапаты маселелери AI көрсөткүчүн чыныгысынан оптимисттүүрөөк көрсөтүшү мүмкүн экени белгиленет.

Келечекте кайсы кадамдар керек?

Булактын келечекке көз карашы кең жана жакшы курацияланган маалымат топтомдоруна, ачык модель/код бөлүшүүгө, стандартташтырылган benchmarkтарга, foundation моделдерге, жакшыраак out-of-distribution ишеним өлчөөсүнө, геномика–транскриптомика–метаболомика көп катмарлуу маалымат интеграциясына жана AI божомолдорун эксперименттик ырастоо менен тыгыз байланыштырууга багытталган.

Айрыкча in vitro активдүүлүк менен клиникалык натыйжалуулуктун ортосундагы ажырымды жабуу үчүн фармакокинетика, фармакодинамика, ткандарда бөлүштүрүлүү, кожоюндун иммунитети жана in vivo коопсуздук маалыматтарын келечектеги божомол моделдерине системалуураак киргизүү зарыл.

Булак жана Ыкма Жөнүндө Эскертүү

Түп нуска изилдөө: Combating Antibacterial Resistance: The Integrative Role of Artificial Intelligence in Bio-Based Product Development

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

Жооптуу автор: Aditya Velidandi.

Мекемелер: 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.

Журнал: Antibiotics.

Басмакана: MDPI, Basel, Switzerland.

Жарыя маалыматы: 2026; том 15; сан 5; макала 478. Жарыяланган күнү: 8 May 2026.

DOI: 10.3390/antibiotics15050478

Булак түрү: Рецензияланган, ачык жеткиликтүү Review макаласы. Макалада өзүнчө системалуу адабият издөө ыкмасы, PRISMA агымы же формалдуу киргизүү/чыгаруу протоколу жок болгондуктан, Verianla мазмунунда баяндоочу/кеңири сереп катары каралган.

Лицензия: Creative Commons Attribution (CC BY).

Булактын камтуусу: AMR жүгү; молекулалык туруктуулук механизмдери; учурдагы антибиотик класстарынын чектөөлөрү; салттуу табигый продукт ачуудагы тар жерлер; ML/DL ыкмалары; AI колдогон BGC издөө; молекулалык түзүлүш жана активдүүлүк божомолу; виртуалдык скрининг; дерепликация; метаболомика жана хемоинформатика; метабологеномика; генеративдик модель негизиндеги AMP дизайны; in vitro жана in vivo ырастоо.

Булакта жаңы эксперимент: Жок. Макала мурда жарыяланган изилдөөлөрдүн жыйынтыктарын синтездейт.

Жаңы маалымат: Түзүлгөн же талданган эмес.

Этика комитети: Колдонулбайт.

Маалымдалган макулдук: Колдонулбайт.

Каржылоо: Тышкы каржылоо алынган эмес.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышын билдиришкен эмес.

Авторлордун салымы: Концептуалдаштыруу Renuka Gudepu жана Swapna Sirikonda; алгачкы долбоор, кароо/редакциялоо жана визуалдаштыруу бардык алты автор; көзөмөл Aditya Velidandi тарабынан жүргүзүлгөн.

Жазуу куралы боюнча билдирүү: Авторлор Grammarlyни окумдуулукту жана сүйлөм түзүлүшүн жакшыртуу үчүн колдонушканын; натыйжаны өздөрү карап чыгып редакциялашканын жана жарыянын мазмунуна толук жоопкерчилик аларын билдиришкен.

Булак ичиндеги эпидемиологиялык эскертүү: Abstractтагы болжол менен 4,95 миллион өлүм деген билдирүү Verianla текстинде Таблица 1деги такыраак айырма менен чечмеленген: болжол менен 4,95 миллион өлүм AMR менен байланышкан, ал эми болжол менен 1,27 миллион өлүм түздөн-түз туруктуу инфекцияларга таандык деп билдирилет. Бул эки көрсөткүч бир маанини билдирбейт.

Негизги методологиялык чектөөлөр: Булак формалдуу системалуу сереп методологиясын билдирбейт. Киргизилген мисалдар модель архитектурасы, маалымат булагы, тапшырма, метрика, ырастоо деңгээли жана терапиялык тармак жагынан өтө гетерогендүү. Айрым методологиялык мисалдар түздөн-түз антибактериялык ачылыштан эмес, кеңири табигый продукт жана биоактивдүүлүктү божомолдоо адабиятынан алынган. Ошондуктан көрсөткүчтөрдү жалпы мета-аналитикалык жыйынтык катары бириктирүүгө болбойт.

Булактын өз AI чектөөлөрү: Код жана үйрөтүлгөн моделдердин дайыма ачык болбошу, стандарт benchmark жоктугу, оң жыйынтыктарга багытталган жарыялоо кыйшайуусу, толук эмес же шайкеш эмес биоактивдүүлүк аннотациялары, эксперимент шарттарынын жетишсиз баяндалышы жана коомдук маалымат базаларындагы ката же кайталанган жазуулар кайра өндүрүмдүүлүктү жана жалпылоону чектейт.

Verianla баяндоо ыкмасы: Бул мазмун түп нуска макаланын abstract же conclusion бөлүмүнүн жакын котормосу эмес. Булактагы AMR механизмдери, табигый продукт ачуудагы тар жерлер, AI модель үй-бүлөлөрү, BGC издөө, виртуалдык скрининг, дерепликация, метаболомика–хемоинформатика, генеративдик AMP дизайны, Figure 1–26нын илимий функциялары, көрсөткүч метрикалары, эксперименттик ырастоо жана чектөөлөр өзүнчө илимий катмарларга бөлүнүп, окутуучу Кыргызча түзүлүштө кайра уюштурулган.

Чечмелөө чеги: Бул жерде берилген AI көрсөткүчү же антибактериялык талапкер маалыматтары жеке бейтап үчүн антибиотик тандоо же дарылоо сунушу эмес. Модель тактыгы, in vitro активдүүлүк жана жаныбар моделиндеги натыйжалуулук адамдагы клиникалык натыйжалуулуктун ордун баспайт.