Жасалма интеллект колдогон дарыларды кайра багыттоо (AI-driven drug repurposing) — мурда бекитилген же изилдөө баскычындагы дары-дармектердин жаңы антимикробдук колдонуу багыттарын маалыматтагы үлгүлөрдү үйрөнгөн алгоритмдер аркылуу божомолдоону же артыкчылыктуу кылууну максат кылган эсептөөчү дары иштеп чыгуу ыкмасы. Бул обзор көп дарыга туруктуу (multidrug-resistant, MDR) бактериялык инфекцияларда машиналык үйрөнүүнүн, терең үйрөнүүнүн, графтык нейрон тармактарынын жана табигый тилди иштетүүнүн ролун; тармактык фармакология, молекулалык docking жана молекулалык динамика сыяктуу AIга жакын ыкмалардан бөлүп баалайт. Изилдөө жаңы модель же жаңы эксперименттик маалымат чыгарбайт; 2020-жылдын январынан 2026-жылдын сентябрына чейинки адабиятты PubMed/MEDLINE, Scopus жана Web of Science аркылуу карап чыгып, тандалган дары мисалдарында AIнын чыныгы ролун жана далил деңгээлин сын көз менен классификациялайт.

Обзордун эң маанилүү жыйынтыгы — “эсептөөчү ыкма колдонулду” жана “дары AI тарабынан табылды” деген сөздөр бир эле маанини билдирбейт. Каралган мисалдардын ичинде halicin — антибактериялык активдүүлүгү терең үйрөнүү модели тарабынан артыкчылыктуу деп тандалган так AI-ачылышынын мисалы. Ал эми auranofin, фенотиазиндер, disulfiram, sertralin жана klofazimin үчүн антибактериялык активдүүлүктү табууда ырасталган AI ролу көрсөтүлгөн эмес. Бул дарылардын антимикробдук касиеттери эксперименттик изилдөөлөрдөн же клиникалык колдонуудан мурда эле белгилүү болгон.

Далил деңгээли боюнча halicin үчүн обзордо эсептөөчү AI, in vitro жана чычкан модели далилдери бар, бирок клиникалык натыйжалуулук далили жок. Auranofin, фенотиазиндер, disulfiram жана sertralin бул обзордо негизинен in vitro далилдер менен колдоого алынат. Klofazimin клиникалык түрдө пес жана көп дарыга туруктуу кургак учук режимдеринде колдонулган дары; бирок бул клиникалык колдонуу AI тарабынан табылган антибактериялык кайра багыттоо эмес.

Обзор ошондой эле AI моделдеринин тактыгын баалоодо random train–test split, маалыматтын агып кетиши, класстардын тең салмаксыздыгы, жаңы химиялык скелеттерге жалпылоо жана тышкы валидация көйгөйлөрүнө көңүл бурат. Random бөлүүдө бири-бирине өтө окшош молекулалар окутуу жана тест топторуна тең түшүп калышы мүмкүн болгондуктан, көрсөткүч чындыгынан жогору көрүнүшү мүмкүн. Scaffold-based же убакытка негизделген бөлүү мурда көрүлбөгөн химиялык класстарга жалпылоону реалдуураак текшерет.

Булактын негизги трансляциялык билдирүүсү мындай: AI модели жогорку упай берген кошулма али дары эмес. Эсептөөчү талапкердин чыныгы баалуулугу стандартташтырылган in vitro сезгичтик тесттери, цитотоксикалуулук, зарыл болсо механизм изилдөөлөрү, жаныбар моделдери, фармакокинетикалык/фармакодинамикалык баалоо жана акырында көзөмөлдөнгөн клиникалык изилдөөлөр аркылуу көрсөтүлүшү керек. Айрыкча инфекция очогунда коопсуз дозалар менен жетиштүү эркин дары концентрациясына жетүү мүмкүн болбосо, күчтүү in vitro активдүүлүк клиникалык жактан иштебей калышы мүмкүн.

Обзордун өзүнүн методологиялык чеги да маанилүү. Авторлор үч негизги библиографиялык маалымат базасын жана адабияттар тизмесин кол менен карап чыгууну түшүндүрүшөт; бирок PRISMA агымы, толук издөө саптары, скрининг/четтетүү сандары, эки көз карандысыз баалоочунун процесси же формалдуу risk-of-bias ыкмасы билдирилген эмес. Ошондуктан изилдөө системалуу обзор же мета-анализ катары эмес, түзүмдөштүрүлгөн адабият издөөсүнө негизделген сынчыл обзор катары чечмелениши керек.

Жасалма Интеллект Колдогон Дарыларды Кайра Багыттоо Деген Эмне?

Жасалма интеллект колдогон дарыларды кайра багыттоо — учурда бекитилген же изилдөө баскычындагы кошулмалардын жаңы антимикробдук колдонуу багыттарын божомолдоо же артыкчылыктуу кылуу үчүн маалыматтан статистикалык же өкүлчүлүктүү үлгүлөрдү үйрөнгөн машиналык үйрөнүү, терең үйрөнүү, графтык нейрон тармактары жана табигый тилди иштетүү сыяктуу ыкмаларды колдонуу; булак молекулалык docking, молекулалык динамика жана тармактык фармакологияны эсептөөчү, бирок өзүнөн-өзү сөзсүз AI болуп саналбаган өзүнчө ыкма класстары катары карайт.

Дарыларды кайра багыттоо эмне үчүн маанилүү?

Жаңы антибиотикти нөлдөн иштеп чыгуу узак, кымбат жана ийгиликсиздик көрсөткүчү жогору болгон процесс. Дарыларды кайра багыттоо башка максат үчүн бекитилген же мурда изилденген кошулмалардын жаңы колдонуу багыттарын аныктоого аракет кылат. Бул ыкманын негизги артыкчылыгы — айрым талапкерлер үчүн коопсуздук, фармакокинетика, формуляция жана өндүрүш маалыматтары мурда эле бар болушу мүмкүн.

Бул артыкчылык “жаңы көрсөткүч автоматтык түрдө коопсуз” дегенди билдирбейт. Антибактериялык таасир үчүн керектүү концентрация дарынын мурдагы көрсөткүчүндө колдонулган концентрациядан кыйла жогору болушу мүмкүн. Ошондуктан бар коопсуздук маалыматы алгачкы өнүктүрүү тобокелдигин азайта алганы менен, жаңы инфекция көрсөткүчү үчүн натыйжалуулук жана коопсуздук кайра бааланышы керек.

Антимикробдук туруктуулук эмне үчүн ушунчалык критикалык контекст түзөт?

Обзор келтирген глобалдык талдоолорго ылайык бактериялык антимикробдук туруктуулук 2021-жылы болжол менен 1,14 миллион өлүмгө түз себеп болгон жана 4,71 миллион өлүм менен байланыштуу деп табылган. 2050-жыл үчүн жылдык түздөн-түз тиешелүү өлүмдүн божомолу 1,91 миллион. Булар бул обзордун өзүнүн эпидемиологиялык өлчөөлөрү эмес, обзор шилтеме кылган глобалдык изилдөөлөрдүн жыйынтыктары.

Авторлор WHO Bacterial Priority Pathogens List 2024 алкагын колдонуп, өзгөчө карбапенемге туруктуу Acinetobacter baumannii, үчүнчү муундагы цефалоспоринге же карбапенемге туруктуу Enterobacterales, рифампицинге туруктуу Mycobacterium tuberculosis, карбапенемге туруктуу Pseudomonas aeruginosa, метициллинге туруктуу Staphylococcus aureus жана ванкомицинге туруктуу Enterococcus faecium сыяктуу туруктуулук фенотиптерин баса белгилешет.

Кайра багытталган дары бактерияга кантип таасир этиши мүмкүн?

Обзор үч жалпы таасир түрүн талкуулайт. Биринчи жол — түз антибактериялык таасир: кошулма бактерициддик же бактериостатикалык таасир көрсөтүшү мүмкүн. Экинчи мүмкүнчүлүк — кожоюн организмдин жообун өзгөрткөн host-targeted таасирлер; булак мунун бактериялык инфекцияларда түз же синергиялык антибактериялык таасирге салыштырмалуу азыраак калыптанганын белгилейт. Үчүнчү жол — учурдагы антибиотиктердин натыйжалуулугун жогорулаткан синергия; мисалы, айрым фенотиазиндер S. aureus эфлюкс насосторунун активдүүлүгүн азайтышы мүмкүн.

Бирок эфлюкс ингибициясы бардык антибиотик класстарындагы синергияны түшүндүрбөйт. Булак өзгөчө β-лактам туруктуулугунда β-лактамазалар жана өзгөртүлгөн penicillin-binding proteinдер маанилүү экенин, ошондуктан фенотиазиндер β-лактам таасирин күчөтсө механизм өзүнчө көрсөтүлүшү керектигин баса белгилейт.

Молекулалык Docking жана Тармактык Фармакология Эмне Үчүн Бул Обзордо Түздөн-Түз AI Деп Эсептелбейт?

Обзор молекулалык docking жана молекулалык динамиканы физикага негизделген упайлоого, классикалык QSARды кол менен аныкталган молекулалык дескрипторлорго жана тармактык фармакологияны кураторлонгон өз ара аракеттенүү тармактарына негизделген эсептөөчү ыкмалар катары классификациялайт; бул ыкмалар машиналык үйрөнүү менен айкалыштырылышы мүмкүн, бирок өз алдынча маалыматтан үйрөнүлгөн өкүлчүлүктөргө негизделген AI ыкмалары эмес.

Машиналык үйрөнүү

Машиналык үйрөнүү (machine learning, ML) белгилүү активдүү жана активдүү эмес кошулмалардан түзүлгөн структураланган маалымат топтомдорунан молекулалык касиет–активдүүлүк байланыштарын үйрөнө алат. Обзордо random forest, support vector machine жана gradient boosting мисалдары берилет.

MLнин артыкчылыктарынын бири — касиеттердин маанилүүлүгүн талдоо аркылуу кайсы молекулалык касиеттер божомолго салым кошуп жатканын көрүүгө болору. Ал эми маалымат топтомунун бир жактуулугу, класстардын тең салмаксыздыгы жана маалыматтын агып кетиши ашыкча үйрөнүүгө жана жаңы химияларга начар жалпылоого алып келиши мүмкүн.

Терең үйрөнүү

Терең үйрөнүү (deep learning, DL) көп катмарлуу нейрон тармактары аркылуу татаал молекулалык жана биологиялык өкүлчүлүктөрдү үйрөнөт. Булак CNN, RNN жана transformer архитектураларын эскерет.

Терең үйрөнүүнүн күчтүү жагы — кол менен касиет долбоорлоо зарылдыгын азайтып, жогорку өлчөмдүү үлгүлөрдү үйрөнө алышы. Эң маанилүү кемчилиги болсо чечим эмне үчүн кабыл алынганын көп учурда оңой түшүндүрүү мүмкүн эместиги. Ошондуктан attention visualisation жана SHAP сыяктуу түшүндүрүлүүчү AI ыкмалары жөнгө салуучу ишеним жагынан маанилүү болуп баратат.

Графтык нейрон тармактары

Графтык нейрон тармактары (graph neural networks, GNNs) молекулаларды атомдор түйүн, химиялык байланыштар кыр болуп саналган графтар түрүндө көрсөтөт. Ошентип молекуланын топологиясы жана атомдордун ортосундагы байланыштар түздөн-түз моделдин киргизүүсүнө айланат.

Обзор GNNдер жаңы антибактериялык химиялык класстарды артыкчылыктуу кыла аларын, бирок мурда көрүлбөгөн scaffoldдарга жалпылоо дагы эле кыйын экенин белгилейт. Random splitтеги көрсөткүч scaffold splitтегиден жогору болушу мүмкүн экени бул көйгөйдүн маанилүү белгилеринин бири.

Тармактык фармакология

Тармактык фармакология (network pharmacology) дары–бута–оору байланыштарын системалык деңгээлде изилдейт. Белок–белок өз ара аракеттенүү тармактары, ген экспрессиясы жана биологиялык жолдор бириктирилип, көп бутага таасир берүү же мүмкүн болгон синергиялар изилдениши мүмкүн.

Булак бул ыкманы AI-adjacent деп классификациялайт. Тармакты түзүү жана упайлоо өз алдынча машиналык үйрөнүү эмес; бирок бул тармактар кийин ML моделдерине киргизүү катары берилиши мүмкүн.

Табигый тилди иштетүү

Табигый тилди иштетүү (natural language processing, NLP) макалалар, клиникалык изилдөө каттоолору жана патенттер сыяктуу структураланбаган тексттердеги дары–патоген, дары–бута жана терс таасир байланыштарын бөлүп алууга аракет кылат.

Обзор BioBERT сыяктуу transformer негизиндеги биомедициналык тил моделдерин объекттерди таануу жана байланыштарды бөлүп алуу үчүн колдонсо болорун белгилейт. Негизги көйгөйлөр — терминологияны стандартташтыруу, жетишпеген маалыматтар жана тексттен алынган билимди эксперименттик маалымат менен бириктирүү.

Маалымат булактары кайсы түрлөрдөн турат?

Обзор AI менен дарыларды кайра багыттоодо бир эле маалымат түрү жетишсиз экенин баса белгилейт. Химиялык маалымат базалары молекула түзүлүштөрүн жана биологиялык активдүүлүк маанилерин; геномдук жана биологиялык булактар ген экспрессиясын, белокторду жана алардын өз ара аракеттенүүсүн; клиникалык жана реалдуу дүйнө булактары болсо доза, коопсуздук, клиникалык жыйынтык жана терс окуялар тууралуу маалыматты бере алат.

Булак DrugBank, ChEMBL, PubChem, ZINC жана Protein Data Bank сыяктуу химиялык/структуралык булактарды; Gene Expression Omnibus, Sequence Read Archive, UniProt жана BioGRID сыяктуу биологиялык булактарды мисал катары көрсөтөт.

Ар түрдүү платформалардан келген маалыматтар өлчөө бирдиктери, эксперименттик протоколдор, жетишпеген маанилер жана белгилердин сапаты боюнча гетерогендүү. Ошондуктан чоң маалымат топтому өзүнөн-өзү ишенимдүү модель дегенди билдирбейт; маалыматты стандартташтыруу жана курация моделдин ишенимдүүлүгүнүн негизги бөлүгү.

Random split эмне үчүн адаштырышы мүмкүн?

Химиялык маалымат топтомунда өтө окшош молекулалар окутуу жана тест топторунда тең болсо, модель чындыгында жаңы химияны жалпылоонун ордуна окутууда көргөн түзүлүштөрдүн жакын аналогдорун таанып калышы мүмкүн. Мындай учурда тест упайы жогору көрүнөт, бирок моделдин таптакыр жаңы химиялык скелеттеги жүрүм-туруму белгисиз бойдон калат.

Обзордо сунушталган катуураак варианттардын бири — Bemis–Murcko scaffold негизиндеги бөлүү. Бул ыкма бүт химиялык серияларды тест тарабына бөлүп, структуралык жактан жаңы кошулмаларга жалпылоону текшерет. Убакытка негизделген split болсо эски маалыматтарда окутуп, кийин пайда болгон маалыматтарда тест жүргүзүү аркылуу реалдуу колдонуу сценарийине жакын баалоону камсыздай алат.

Data leakage деген эмне?

Data leakage — тест топтомуна тиешелүү маалыматтын түз же кыйыр түрдө модель окутуусуна агып кириши. Обзор duplicate же near-duplicate молекулаларды, ошол эле кошулманын туз же tautomer варианттарын жана бүт маалымат топтомунда касиет тандоо же гиперпараметр оптималдаштырууну мисал келтирет.

Leakage болгондо модель чыныгы жалпылоо жөндөмүн эмес, тест маалыматына тиешелүү билимди канчалык пайдаланганын көрсөтөт. Ошондуктан молекулаларды стандартташтыруу, дедупликация жана окутуу–валидация–тест бөлүнүшүн модель иштеп чыгуу бою сактоо керек.

Class imbalance эмне үчүн accuracy маанисин адаштырышы мүмкүн?

Антибактериялык скринингдерде миңдеген активдүү эмес кошулмаларга каршы аз гана активдүү кошулма болушу мүмкүн. Мындай маалымат топтомунда модель дээрлик ар бир үлгүнү “активдүү эмес” деп божомолдоп, жогорку accuracy ала алат, бирок чыныгы активдүүлөрдү таба албай калышы мүмкүн.

Ошондуктан булак precision–recall ийри сызыктарын, enrichment метрикаларын жана калибрленген ыктымалдыктарды ылайыктуу resampling же cost-sensitive learning менен бирге баалоону сунуштайт. Айрыкча өтө тең салмаксыз маалымат топтомунда ROC-AUC өз алдынча жетиштүү деп эсептелбеши керек.

Тышкы жана проспективдүү валидация эмне үчүн зарыл?

Ретроспективдүү кайчылаш валидация модель мурда топтолгон маалымат ичинде кандай иштээрин көрсөтөт. Тышкы валидация болсо моделдин окутууда эч колдонулбаган көз карандысыз маалымат топтомундагы көрсөткүчүн текшерет.

Күчтүүрөөк баскыч — проспективдүү тест: модель алдын ала талапкерлерди тандайт, андан кийин бул талапкерлер чындап лабораторияда текшерилет. Булак канча кошулма тандалганын, канчасы лабораторияда ырасталганын жана чыныгы hit катышы билдирилишин эсептөөчү дооматтын ишенимдүүлүгү үчүн маанилүү деп эсептейт.

Halicin Эмне Үчүн Башка Мисал Дарылардан Айырмаланат?

Halicin бул обзордо антибактериялык максат үчүн түздөн-түз терең үйрөнүү модели менен артыкчылыктуу деп тандалганы ырасталган жалгыз мисал; auranofin, фенотиазиндер, disulfiram, sertralin жана klofaziminдин антибактериялык касиеттери болсо эксперименттик скрининг же клиникалык колдонуу аркылуу AIдан көз карандысыз белгилүү болгон.

Halicin

Halicin алгач диабет контекстинде изилденген c-Jun N-terminal kinase ингибитору болгон. Кийин өсүү ингибициясы маалыматтары менен окутулган directed message-passing neural network модели Drug Repurposing Hubга колдонулуп, антибактериялык талапкер катары артыкчылыктуу тандалган.

Обзор келтирген далилге ылайык halicin ар кандай бактерияларга каршы in vitro активдүүлүк көрсөткөн; Mycobacterium tuberculosis жана карбапенемге туруктуу Enterobacteriaceae алардын арасында. Ошондой эле pan-resistant Acinetobacter baumannii жара модели жана Clostridioides difficile үчүн чычкан моделдеринде натыйжалуулук билдирилген.

Булак halicin механизмин бактериялык proton motive forceтун ΔpH компонентинин бузулушу менен байланыштырат. Бул булакта halicin үчүн билдирилген механизм; Verianla мындан башка жаңы молекулалык бута чыгарбайт.

Эң маанилүү чеги клиникалык: обзор halicin үчүн адамдарда клиникалык натыйжалуулук далили жок экенин билдирет. Системалык колдонуу үчүн керектүү фармакокинетика, токсикалуулук жана формуляция изилдөөлөрү аякташы керек.

Auranofin

Auranofin ревматоиддик артрит үчүн бекитилген, курамында алтын бар дары. Грам-оң бактерияларда, өзгөчө MRSAны кошкондо айрым түрлөрдө бактерициддик активдүүлүк көрсөтөрү жана thiol-redox homeostasisти бузаары, thioredoxin reductase ингибициясы бул механизмге салым кошору билдирилген.

Обзордун маанилүү түзөтүүсү мындай: auranofinдин антибактериялык таасири AI тарабынан табылганын көрсөткөн ырасталган изилдөө табылган эмес. Ошондуктан auranofin “AI-discovered antibacterial” деп берилбеши керек.

Фенотиазиндер

Chlorpromazine жана thioridazine сыяктуу фенотиазиндер антипсихотик катары иштелип чыккан. S. aureusта multidrug efflux-pump активдүүлүгүн басаңдата алары мурда эксперименттик түрдө көрсөтүлгөн.

Булак бул таасир заманбап AI доорунан мурда белгилүү болгонун баса белгилейт. Ошондой эле эфлюкс ингибициясы β-лактам синергиясын автоматтык түрдө түшүндүрбөй турганын, анткени β-лактам туруктуулугунда β-лактамазалар жана өзгөртүлгөн penicillin-binding proteinдер негизги роль ойной аларын белгилейт.

Disulfiram

Disulfiram көптөн бери алкоголдук көз карандылыкты дарылоодо колдонулган дары. Булак M. tuberculosisке каршы жезге көз каранды синергиялык бактерициддик таасирди in vitro далил катары келтирет.

Бул активдүүлүк AI божомолу менен табылганы ырасталган эмес. Ошондой эле натыйжалуу ткань концентрациясына жетүүдө жез менен байланышкан токсикалуулукту чектөө зарылдыгы трансляциялык тоскоолдук катары көрсөтүлөт.

Sertralin

Sertralin — антидепрессант. Обзордо S. aureus, Escherichia coli жана Pseudomonas aeruginosaга каршы in vitro ингибиция жана айрым антибиотиктер менен натыйжалуулук жогорулаганын билдирген изилдөөлөр каралат.

Булактын маанилүү фармакологиялык эскертүүсү — референс штаммдарда билдирилген ондогон µg/mL деңгээлиндеги ингибиция концентрациялары стандарттуу антидепрессант дозалар менен жетишүүгө боло турган экспозициялардан жогору болушу мүмкүн. Ошондуктан in vitro активдүүлүк түздөн-түз клиникалык колдонуу дегенди билдирбейт.

Klofazimin

Klofazimin пес оорусу үчүн колдонулган антимикобактериялык дары жана көп дарыга туруктуу кургак учук режимдеринде да клиникалык орду бар. Булак redox cycling, реактивдүү кычкылтек түрлөрү жана дем алуунун бузулушун таасир менен байланыштырат.

Бирок klofaziminдин бул колдонулушу AI ачылышы эмес. Обзор муну ошол эле кеңири антимикробдук талаадагы клиникалык кайра багыттоо мисалы катары баалайт.

Далилдер таблицасынын маанилүү чеги: Булактагы 4-таблицадагы “—” белгиси дүйнөлүк адабияттын баарында эч кандай далил жок дегенди билдирбейт. Ал бул обзор колдонгон булактарда тиешелүү далил деңгээли аныкталбаганын гана көрсөтөт.

AI жана классикалык ыкмалардын “hit rate” маанилерин эмне үчүн түз салыштырууга болбойт?

Halicin изилдөөсүндө AI модели тандаган 23 ZINC15 кошулмасынын 8и бактериялык өсүүнү ингибирлеген. Башка терең үйрөнүү изилдөөсүндө болжол менен 240 тандалган кошулманын 9у активдүү деп табылган; булак муну болжол менен %4 деп берет.

2026-жылдагы docking негизиндеги изилдөөдө жогорку орундагы 14 бекитилген дары эксперименттик түрдө текшерилип, lifitegrast мембрананын өткөрүмдүүлүгүн жогорулатуучу агент менен комбинацияда эң көңүл бурдурган активдүүлүктү көрсөткөн.

Бул сандар “AI dockingден жакшы” же тескерисинче деген жыйынтыкка жол бербейт. Баштапкы китепкананын көлөмү, моделдин алдын ала чыпкалоо деңгээли, активдүүлүк чеги, whole-cell же бутага негизделген тест колдонулушу жана оң натыйжаларды гана жарыялоо тенденциясы hit катышын чоң өлчөмдө өзгөртөт. Булак AI менен docking/MD ортосунда дал келтирилген проспективдүү head-to-head антибактериялык benchmark жок экенин белгилейт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Обзордун адабият топтоо ыкмасы

Изилдөөнүн методологиялык статусу

Макала басмакана тарабынан “Review” деп классификацияланган. Булак белгилүү маалымат базаларын жана дата аралыгын билдиргендиктен, бул толугу менен эркин баяндоочу обзор эмес; ошол эле учурда формалдуу системалуу обзор отчетун да бербейт.

Ошондуктан Verianla изилдөөнү түзүмдөштүрүлгөн адабият издөөсүнө негизделген сынчыл обзор деп аныктайт. Бул классификация булакта берилген ыкма маалыматтарынын чектерин сактоо үчүн колдонулат.

Модель валидациясындагы беш негизги көзөмөл

1. Data splitting жана scaffold splitting: Жакын структуралык аналогдордун окутуу жана тест ортосунда аралашуусун азайтуу; жаңы chemotypeтарга жалпылоону реалдуураак баалоо.
2. Data leakage көзөмөлү: Duplicate/near-duplicate түзүлүштөр, туз жана tautomer варианттары же бардык маалыматта гиперпараметр тандоо аркылуу тест маалыматынын окутууга агып киришине жол бербөө.
3. Class imbalance көзөмөлү: Аз сандагы активдүү кошулмалардын көп сандагы активдүү эмес үлгүлөрдүн арасында жоголушуна жол бербөө жана accuracyдан тышкары ылайыктуу метриканы колдонуу.
4. External жана prospective validation: Моделди көз карандысыз маалыматта жана андан кийин реалдуу лабораториялык скринингде валидациялоо.
5. Empirical in vitro validation: Эсептөөчү талапкерлерди MDR клиникалык изоляттарын кошкондо реалдуу биологиялык системаларда текшерүү.

In vitro валидацияда кайсы эксперименттер сунушталат?

Обзор стандартташтырылган susceptibility testing алкагында minimum inhibitory concentration (MIC), minimum bactericidal concentration (MBC), time–kill kinetics жана комбинациялар үчүн checkerboard assay колдонулушун сунуштайт.

Мындан тышкары талапкер бактерияны өлтүрөбү же жокпу гана эмес, сүт эмүүчүлөрдүн клеткалары үчүн уулуубу-жокпу да бааланышы керек. Цитотоксикалуулук тести антибактериялык активдүүлүктүн тандалуучулук терезесин түшүнүүгө жардам берет.

Ылайыктуу болгондо таасир механизмин да эксперименттик түрдө изилдөө сунушталат. Анткени модель кошулманы “активдүү” деп тандашы мүмкүн, бирок эмне үчүн активдүү экенин түшүндүрө албай калышы мүмкүн.

AI Божомолу Качан Клиникалык Жактан Маанилүү Деп Эсептелиши Мүмкүн?

Булакка ылайык AI божомолу клиникалык жактан маанилүү деп кабыл алынганга чейин көз карандысыз жана проспективдүү эсептөөчү валидациядан, стандарттуу in vitro антимикробдук тесттерден, цитотоксикалуулуктан, ылайыктуу жаныбар моделдеринен, инфекция очогундагы PK/PD экспозициясынын жетиштүүлүгүнөн, адамдагы коопсуздук жана натыйжалуулукту текшерген клиникалык изилдөөдөн жана жөнгө салуучу баалоодон өтүшү керек; күчтүү in silico упай өзүнөн-өзү клиникалык натыйжалуулук эмес.

MIC деген эмне?

Minimum inhibitory concentration (MIC) — белгилүү эксперименттик шарттарда көрүнүктүү микробдук өсүүнү токтоткон эң төмөн дары концентрациясы. MIC кошулманын потенциалдуу антибактериялык күчүн баалоодогу негизги лабораториялык көрсөткүчтөрдүн бири.

Бирок төмөн MIC өзүнөн-өзү клиникалык ийгиликти көрсөтпөйт. Дары инфекция очогунда бул деңгээлге коопсуз түрдө жетеби-жокпу өзүнчө бааланышы керек.

MBC деген эмне?

Minimum bactericidal concentration (MBC) — бактерияларды өлтүрүүгө байланышкан эксперименттик концентрация көрсөткүчү. MIC өсүүнүн басылышын, MBC болсо бактерициддик активдүүлүктү баалоодо колдонулат.

Time-kill тести эмнени көрсөтөт?

Time-kill assay белгилүү дары концентрацияларында тирүү бактериялардын саны убакыттын өтүшү менен кандай өзгөрөрүн көзөмөлдөйт. Ошентип бир гана акыркы чекит эмес, таасирдин убакыттык жүрүшү да бааланат.

Checkerboard assay эмнени көрсөтөт?

Checkerboard assay эки дарынын ар кандай концентрация комбинацияларын бир матрицада текшерип, мүмкүн болгон синергия же антагонизмди баалоо үчүн колдонулган in vitro ыкма. Обзор өзгөчө учурдагы антибиотиктер менен кайра багытталган кошулмалардын комбинацияларын баалоодо мындай тесттердин маанисин баса белгилейт.

PK жана PD ортосундагы айырма

Фармакокинетика (PK) дары организмде кайсы концентрацияларга кандай убакыт профили менен жетерин; фармакодинамика (PD) болсо бул экспозициянын микроорганизмге таасири менен байланышын баалайт.

Дарыларды кайра багыттоодо мурдагы көрсөткүчтө коопсуз болгон дозанын антибактериялык таасир үчүн жетиштүү болушуна кепилдик жок. Ошондуктан модель тандаган кошулма реалдуу инфекция очогунда керектүү экспозицияга жетеби-жокпу изилдениши керек.

fAUC/MIC деген эмне?

fAUC — белокко байланышпаган эркин дарынын белгилүү убакыт ичинде концентрация–убакыт ийри сызыгынын астындагы аянтын билдирет. MIC — minimum inhibitory concentration.

Катыш жалпы эркин дары экспозициясы бактерияны ингибирлөө үчүн керек болгон концентрациядан канчалык чоң экенин көрсөтөт. Булак белгилүү бир дары үчүн чек маанисин бербейт; керектүү максат дарыга жана таасир механизмине жараша өзгөрөт.

fCmax/MIC деген эмне?

fC_max — эркин дары жеткен эң жогорку концентрация. Бул катыш пик экспозициянын MICге салыштырмалуу чоңдугун билдирет.

Обзор бул метриканы жалпы PK/PD индекси катары берет; каралган мисал дарылар үчүн жаңы максаттык катыш эсептебейт.

fT > MIC деген эмне?

fT > MIC — эркин дары концентрациясы доза аралыгынын канча бөлүгүндө MICтен жогору бойдон каларын билдирет. Адатта доза аралыгынын пайызы катары каралат.

Бул көрсөткүч өзгөчө натыйжалуулук концентрация MICтен жогору кармалган убакыт менен байланышкан антимикробдук контексттерде маанилүү. Обзор белгилүү чек маанисин аныктабайт.

Population PK жана PBPK эмне үчүн маанилүү?

Population pharmacokinetic modelling ар башка адамдардын ортосундагы фармакокинетикалык өзгөрмөлүүлүктү сандык түрдө изилдөө үчүн колдонулушу мүмкүн. Physiologically based pharmacokinetic (PBPK) modelling болсо орган жана ткань компартменттерин физиологиялык параметрлер менен көрсөтүп, дарынын таралышын симуляциялайт.

Булак бул ыкмаларды өзгөчө терапевтикалык терезеси тар же инфекция очогуна жетиши кыйын талапкерлерде доза долбоорлоо жана клиникалык изилдөөнү пландаштыруу үчүн пайдалуу куралдар катары талкуулайт; учурдагы обзор өзү PBPK симуляциясын жүргүзгөн эмес.

Жөнгө салуу жагынан “учурдагы бекитилген дары” эмне берет?

Бекитилген дарынын мурдагы коопсуздук жана өндүрүш маалыматы бар болушу өнүктүрүү убактысын кыскартышы мүмкүн. Бирок жаңы инфекция көрсөткүчүндө натыйжалуулук, коопсуздук жана ылайыктуу доза кайра көрсөтүлүшү керек.

Булак FDA жана EMA сыяктуу жөнгө салуучу органдар жаңы көрсөткүч үчүн дагы эле бекем коопсуздук жана натыйжалуулук далилин талап кыларын; Good Clinical Practice, фармакокөзөмөл жана зарыл болсо жаңы клиникалык изилдөөлөр милдеттүү экенин белгилейт.

Этика жана теңдик көйгөйү эмнеде?

AI моделдеринин чечим механизмин түшүндүрүү мүмкүн эместиги клиникалык жоопкерчилик жана бейтап коопсуздугу жагынан көйгөй жаратышы мүмкүн. Ошондой эле окутуу маалымат топтомдорунун жогорку кирешелүү өлкөлөрдөн пропорционалдуу эмес келип чыгышы моделдин төмөн жана орто кирешелүү өлкөлөрдөгү популяцияларга жалпылануусун чектеши мүмкүн.

Обзор теңдикти модель окутуу менен гана чектебейт. Кайра багытталган дарынын жеткиликтүүлүгү, баасы жана туруктуу камсыздалышы да коомдук саламаттыкка тийгизген таасирдин бөлүгү катары бааланышы керек.

Изилдөө колдогон жана колдобогон жыйынтыктар

Обзордун күчтүү жактары

• AI жана классикалык эсептөөчү ыкмаларды бир категорияга топтоонун ордуна методологиялык жактан бөлөт.
• Ар бир мисал дарыда AIнын чыныгы ролун өзүнчө баалайт.
• In silico, in vitro, жаныбар жана клиникалык далил деңгээлдерин өзүнчө таблицада көрсөтөт.
• Модель валидациясында data leakage, scaffold split, class imbalance жана external validation көйгөйлөрүн кеңири карайт.
• PK/PD жана жөнгө салуучу чындыкты эсептөөчү модель талкуусуна кошот.
• AI клиникалык фармакологиянын ордуна эмес, артыкчылыктуу тандоо катмарына коюлушу керектигин ачык айтат.
• Этика, жеткиликтүүлүк жана төмөн/орто кирешелүү өлкөлөрдө маалымат өкүлчүлүгү көйгөйлөрүн талкуулайт.

Обзордун чектөөлөрү

• Адабият англис тилиндеги жарыялар менен гана чектелген.
• Толук издөө саптары билдирилген эмес.
• Ар бир маалымат базасынан канча жазуу табылганы берилген эмес.
• Duplicate алып салуу жана аталыш/аннотация/толук текст тандоо сандары берилген эмес.
• PRISMA агым схемасы жок.
• Формалдуу risk-of-bias же изилдөө сапатын баалоо билдирилген эмес.
• Обзор протоколунун каттоосу көрсөтүлгөн эмес.
• Мисал дарылар үчүн далил иерархиясы обзор колдонгон булактар менен чектелген; 4-таблицадагы “—” бардык адабиятта жок дегенди билдирбейт.
• Проспективдүү AI изилдөөлөрүндө оң hitтердин жарыяланышы чыныгы ийгилик катышын чындыгынан жогору көрсөтүшү мүмкүн.
• Ар кандай скрининг изилдөөлөрүнүн hit катыштарын түз салыштырууга болбойт.
• Көптөгөн non-antibiotic кошулмалар бекитилген дозалар менен организмде жетүү кыйын болгон концентрацияларда антибактериялык таасир көрсөтүшү мүмкүн.
• AI талапкерлеринин чоң бөлүгүндө адамдагы клиникалык далил жок.

Келечектеги изилдөө багыттары

Обзор келечектеги изилдөөлөрдү алты негизги темага топтойт: так антимикробдук терапия, комбинация жана синергия божомолу, түшүндүрүлүүчү AI, эсептөөчү–эксперименттик–клиникалык иш агымдарын интеграциялоо, глобалдык жеткиликтүүлүк жана жаңы технологиялык багыттар.

Так терапия ыкмасында патоген геному, кожоюн организмдин иммуногеномикалык маалыматы жана микробиомду бирге колдонуу; кайсы бейтап тобу кайсы кайра багытталган дарыдан пайда көрөрүн жакшыраак божомолдоо сунушталат.

Комбинациялык терапияда AI учурдагы антибиотиктердин таасирин күчөтүүчү дал келүүлөрдү таба алат деп эсептелет; бирок бул синергиялар дагы in vitro, in vivo жана PK/PD деңгээлинде ырасталышы керектиги баса белгиленет.

Түшүндүрүлүүчү AI жагында attention visualisation, Shapley values жана graph interpretability сыяктуу ыкмалар жөнгө салуучу ишенимди жогорулата алары белгиленет.

Келечектеги pipelineдын идеалдуу формасы жөн гана “model → candidate” эмес. Булак модель талапкерди тандап, талапкер лабораторияда текшерилип, модель жыйынтыктар менен кайра жакшыртылып, жаныбар жана фармакологиялык маалыматтар менен сыналып, андан кийин гана клиникалык баалоого өтүүчү итеративдүү түзүлүштү сунуштайт.

Обзор ошондой эле синтетикалык биология, антимикробдук пептид дизайны, биофильмди бутага алуу жана кожоюн организмдин коргонуусун же микробдук вируленттүүлүктү өзгөртө ала турган адъюванттарды AI менен изилдөөнү келечектеги мүмкүнчүлүктөрдүн катарына киргизет.

Обзордун негизги илимий жыйынтыгы

Обзордун эң корголуучу жыйынтыгы “AI жаңы антибиотиктерди автоматтык түрдө табат” эмес. Булактын негизги билдирүүсү — AI чоң дары жана молекула мейкиндиктеринде талапкерлерди натыйжалуураак артыкчылыктуу кыла алат; бирок бул артыкчылык бекем маалымат бөлүү, тышкы валидация, эксперименттик фармакология, PK/PD чындыгы жана клиникалык баалоо менен бириктирилгенде гана маанилүү болот.

Halicin бул чынжырдын AI тарабындагы эң ачык ийгилик мисалы; бирок адамдардагы клиникалык натыйжалуулук маалыматы жок болгондуктан трансляция аяктаган эмес. Башка кайра багытталган дары мисалдары болсо “AI колдонулган болушу мүмкүн” жана “AI тарабынан табылган” деген сөздөр сөзсүз бөлүнүшү керектигин көрсөтөт.

Булак жана Ыкма Жөнүндө Эскертүү

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

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

Жооптуу автор: Felix Oghenemaro Enwa.

Тең салым: Булакта тең биринчи авторлук же тең салым тууралуу билдирүү жок.

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

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

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

Журнал: Acta Microbiologica Hellenica.

Басмакана: Hellenic Society for Microbiology атынан MDPI.

Булактын түрү: Review — AI колдогон антимикробдук дарыларды кайра багыттоо боюнча сынчыл обзор.

Библиографиялык жазуу: Acta Microbiologica Hellenica, 2026, 71(4), Article 42.

DOI: 10.3390/amh71040042

Расмий шилтеме: https://doi.org/10.3390/amh71040042

Жарыялоо убакыт тартиби: Received: 21-сентябрь 2026; Revised: 8-октябрь 2026; Accepted: 10-октябрь 2026; Published: 20-октябрь 2026.

Academic Editors: Petros Ioannou жана Diamantis P. Kofteridis.

Рецензиялоо абалы: Acta Microbiologica Hellenica — double-anonymized peer-review колдонгон эл аралык рецензияланган ачык жеткиликтүү журнал.

Лицензия: Creative Commons Attribution (CC BY).

Preprint абалы: Каралган булак жарыяланган журналдык макала. Булакта өзүнчө preprint идентификатору көрсөтүлгөн эмес.

Обзордун камтуусу: Англис тилиндеги адабият; Январь 2020–Сентябрь 2026; PubMed/MEDLINE, Scopus жана Web of Science; маанилүү изилдөөлөрдүн адабияттар тизмесин кол менен кароо.

Системалуу обзор чектөөсү: Толук издөө саптары, PRISMA агымы, каралган/четтетилген жазуулардын саны, формалдуу risk-of-bias баалоосу жана катталган протокол билдирилген эмес. Ошондуктан Verianla изилдөөнү системалуу обзор же мета-анализ деп классификациялабайт.

Жаңы эксперименттик маалымат: Жок. Изилдөө адабият обзору.

Жаңы AI модели: Жок. Макала учурдагы AI жана AI-adjacent ыкмаларын сын көз менен баалайт.

Булактагы формула: Номерленген математикалык теңдеме жок. fAUC/MIC, fCmax/MIC жана fT > MIC PK/PD индекстери концептуалдык түрдө талкууланган.

Каржылоо: Изилдөө тышкы каржылоо алган эмес.

Institutional Review Board: Колдонулбайт.

Маалымдалган макулдук: Колдонулбайт.

Маалыматтардын жеткиликтүүлүгү: Жаңы маалымат түзүлгөн же талданган эмес; маалымат бөлүшүү бул обзор үчүн колдонулбайт.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышын билдиришкен эмес.

Авторлордун салымы — Conceptualization: Kingsley Chukwuka Amaihunwa жана Felix Oghenemaro Enwa.

Validation: Augustina O. Jewo.

Data curation: Daniel Kelechi Egbule.

Writing — original draft preparation: Kingsley Chukwuka Amaihunwa.

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

Supervision: Felix Oghenemaro Enwa.

AI классификациясынын чеги: Обзор ML, DL, GNN жана NLPни AI ыкмалары катары; network pharmacologyни AI-adjacent; molecular docking/MDни классикалык non-AI салыштыргыч катары карайт.

Halicin далилинин чеги: Halicin AI менен артыкчылыктуу тандалган, in vitro жана жаныбар модели далили бар талапкер; обзор адамдардагы клиникалык натыйжалуулук далилин аныктабайт.

Башка мисал дарылардын AI чеги: Auranofin, фенотиазиндер, disulfiram, sertralin жана klofazimin үчүн антибактериялык активдүүлүктү табууда ырасталган AI ролу көрсөтүлгөн эмес.

Далилдер таблицасынын чеги: 4-таблицадагы “—” белгиси кеңири адабиятта так далил жок дегенди билдирбейт; ал бул обзор колдонгон булактарда далил аныкталбаганын гана билдирет.

Модель баалоонун чеги: Random splitтеги жогорку көрсөткүч жаңы scaffoldдарга жалпылоого кепилдик бербейт. Data leakage жана класстардын тең салмаксыздыгы жогору көрүнгөн, бирок чыныгы эмес метрикаларга алып келиши мүмкүн.

Трансляция чеги: In silico божомолдор эксперименттик валидацияга чейин гипотеза; in vitro активдүүлүк клиникалык натыйжалуулук эмес жана мурда бекитилген дозанын жаңы антимикробдук көрсөткүч үчүн жетиштүү болушуна кепилдик жок.

Жөнгө салуу чеги: Кайра багытталган дарыларда мурдагы коопсуздук маалыматы бар болсо да, жаңы көрсөткүч үчүн натыйжалуулук, коопсуздук, ылайыктуу доза жана фармакокөзөмөл талаптарын аткарышы керек.