Uelekezaji upya wa matumizi ya dawa unaosaidiwa na akili bandia (AI-driven drug repurposing) ni mbinu ya kikokotozi ya ukuzaji wa dawa inayolenga kutabiri au kuweka kipaumbele matumizi mapya ya dawa za kuzuia vijidudu kwa dawa zilizokwishaidhinishwa au zilizo katika hatua ya utafiti kwa kutumia algoriti zinazojifunza mifumo katika data. Mapitio haya yanatathmini nafasi ya ujifunzaji wa mashine, ujifunzaji wa kina, mitandao ya neva ya grafu na uchakataji wa lugha asilia katika maambukizi ya bakteria sugu kwa dawa nyingi (multidrug-resistant, MDR), huku yakitenganisha mbinu hizi na mbinu zilizo karibu na AI kama network pharmacology, molecular docking na molecular dynamics. Utafiti hautengenezi modeli mpya wala data mpya za majaribio; unapitia fasihi ya Januari 2020–Septemba 2026 kupitia PubMed/MEDLINE, Scopus na Web of Science, na kuainisha kwa mtazamo wa kina nafasi halisi ya AI na kiwango cha ushahidi katika mifano ya dawa iliyochaguliwa.

Hitimisho muhimu zaidi la mapitio ni kwamba kauli “mbinu ya kikokotozi ilitumika” na “dawa iligunduliwa na AI” hazina maana sawa. Miongoni mwa mifano iliyopitiwa, halicin ni mfano wazi wa ugunduzi wa AI ambapo shughuli yake ya antibakteria iliwekwa kipaumbele na modeli ya ujifunzaji wa kina. Kinyume chake, hakuna nafasi ya AI iliyothibitishwa iliyoonyeshwa katika ugunduzi wa shughuli ya antibakteria ya auranofin, phenothiazines, disulfiram, sertraline na clofazimine. Sifa za antimikrobia za dawa hizi zilikuwa tayari zinajulikana kupitia tafiti za majaribio au matumizi ya kliniki.

Kwa kiwango cha ushahidi, kwa halicin mapitio yana ushahidi wa AI ya kikokotozi, in vitro na modeli ya panya, lakini hayana ushahidi wa ufanisi wa kliniki. Auranofin, phenothiazines, disulfiram na sertraline katika mapitio haya zinaungwa mkono hasa na ushahidi wa in vitro. Clofazimine ni dawa inayotumika kliniki katika ukoma na katika regimen za kifua kikuu sugu kwa dawa nyingi; hata hivyo matumizi haya ya kliniki si uelekezaji upya wa antibakteria uliogunduliwa na AI.

Mapitio pia yanaangazia matatizo ya random train–test split, data leakage, class imbalance, ujanibishaji wa uwezo wa modeli kwa scaffolds mpya za kikemia na external validation wakati wa kutathmini usahihi wa modeli za AI. Katika mgawanyo wa random, molekuli zinazofanana sana zinaweza kuingia katika kundi la mafunzo na la majaribio, hivyo utendaji unaweza kuonekana kuwa wa juu kuliko ulivyo kweli. Mgawanyo wa scaffold-based au unaotegemea wakati hujaribu kwa uhalisia zaidi uwezo wa kujumlisha kwa madarasa ya kikemia ambayo hayajaonekana hapo awali.

Ujumbe mkuu wa uhamishaji kwenda kliniki wa chanzo ni huu: kiwanja kilichopewa alama ya juu na modeli ya AI bado si dawa. Thamani halisi ya mgombea wa kikokotozi lazima ionyeshwe kwa vipimo sanifu vya unyeti vya in vitro, sitotoksisiti, tafiti za utaratibu inapohitajika, modeli za wanyama, tathmini ya farmakokinetiki/farmakodinamiki na hatimaye majaribio ya kliniki yaliyodhibitiwa. Hasa, ikiwa haiwezekani kufikia mkusanyiko wa kutosha wa dawa huru katika eneo la maambukizi kwa dozi salama, shughuli kubwa ya in vitro inaweza isiwe na manufaa ya kliniki.

Kikomo cha kimbinu cha mapitio yenyewe pia ni muhimu. Waandishi wanaeleza hifadhidata tatu kuu za kibibliografia na ukaguzi wa mikono wa orodha za marejeo; hata hivyo, mtiririko wa PRISMA, misururu kamili ya utafutaji, idadi za uchunguzi/kuondoa, mchakato wa wakaguzi wawili huru au mbinu rasmi ya risk-of-bias hazijaripotiwa. Kwa hiyo utafiti unapaswa kutafsiriwa si kama mapitio ya kimfumo au meta-analysis, bali kama mapitio ya kina yanayotegemea utafutaji wa fasihi uliopangwa.

Uelekezaji Upya wa Matumizi ya Dawa Unaosaidiwa na Akili Bandia ni Nini?

Uelekezaji upya wa matumizi ya dawa unaosaidiwa na akili bandia ni matumizi ya mbinu kama ujifunzaji wa mashine, ujifunzaji wa kina, mitandao ya neva ya grafu na uchakataji wa lugha asilia zinazojifunza mifumo ya kitakwimu au uwakilishi kutoka katika data ili kutabiri au kuweka kipaumbele matumizi mapya ya antimikrobia ya viambajengo vilivyoidhinishwa au vilivyo katika hatua ya utafiti; chanzo kinachukulia molecular docking, molecular dynamics na network pharmacology kama madarasa tofauti ya mbinu za kikokotozi ambazo si lazima ziwe AI zenyewe.

Kwa nini uelekezaji upya wa matumizi ya dawa ni muhimu?

Kutengeneza antibiotiki mpya kuanzia mwanzo ni mchakato mrefu, ghali na wenye kiwango kikubwa cha kushindwa. Uelekezaji upya wa matumizi ya dawa hujaribu kutambua matumizi mapya ya viambajengo vilivyoidhinishwa kwa kusudi jingine au vilivyowahi kuchunguzwa hapo awali. Faida kuu ya mbinu hii ni kwamba kwa baadhi ya wagombea, taarifa za usalama, farmakokinetiki, fomulesheni na utengenezaji zinaweza kuwa tayari zinapatikana.

Faida hii haimaanishi kwamba “indikasheni mpya ni salama moja kwa moja”. Mkusanyiko unaohitajika kwa athari ya antibakteria unaweza kuwa mkubwa zaidi kuliko mkusanyiko uliotumika katika indikasheni ya zamani ya dawa. Kwa hiyo, hata kama taarifa iliyopo ya usalama inaweza kupunguza hatari za hatua za awali za maendeleo, ufanisi na usalama kwa indikasheni mpya ya maambukizi lazima vitathminiwe upya.

Kwa nini usugu wa antimikrobia huunda muktadha muhimu sana?

Kulingana na uchambuzi wa kimataifa uliowasilishwa katika mapitio, usugu wa bakteria dhidi ya antimikrobia ulihusishwa moja kwa moja na takribani vifo milioni 1,14 mwaka 2021 na ukapatikana kuhusiana na vifo milioni 4,71. Makadirio ya vifo vya kila mwaka vinavyoweza kuhusishwa moja kwa moja kwa mwaka 2050 ni milioni 1,91. Hivi si vipimo vya epidemiolojia vya mapitio yenyewe, bali ni matokeo ya tafiti za kimataifa ambazo mapitio yanarejelea.

Waandishi hutumia mfumo wa WHO Bacterial Priority Pathogens List 2024 na kusisitiza hasa fenotipu za usugu kama Acinetobacter baumannii sugu kwa carbapenem, Enterobacterales sugu kwa cephalosporin za kizazi cha tatu au carbapenem, Mycobacterium tuberculosis sugu kwa rifampicin, Pseudomonas aeruginosa sugu kwa carbapenem, Staphylococcus aureus sugu kwa methicillin na Enterococcus faecium sugu kwa vancomycin.

Dawa iliyoelekezwa upya inaweza kuathiri bakteria kwa njia gani?

Mapitio yanajadili aina tatu za jumla za athari. Njia ya kwanza ni athari ya moja kwa moja ya antibakteria: kiwanja kinaweza kuwa na athari ya bakterisidi au bakteristati. Uwezekano wa pili ni athari za host-targeted zinazobadilisha mwitikio wa mwenyeji; chanzo kinasema kwamba hili halijakomaa sana katika maambukizi ya bakteria ikilinganishwa na athari ya moja kwa moja au ya sinergia ya antibakteria. Njia ya tatu ni sinergia inayoongeza ufanisi wa antibiotiki zilizopo; kwa mfano, baadhi ya phenothiazines zinaweza kupunguza shughuli ya pampu za efflux za S. aureus.

Hata hivyo, kuzuia efflux hakuelezi sinergia katika madarasa yote ya antibiotiki. Chanzo kinasisitiza kwamba β-lactamases na penicillin-binding proteins zilizobadilika ni muhimu katika usugu wa β-lactam, hivyo ikiwa phenothiazines huongeza athari ya β-lactam, utaratibu huo lazima uonyeshwe kando.

Kwa Nini Molecular Docking na Network Pharmacology Hazihesabiwi Moja kwa Moja kama AI katika Mapitio Haya?

Mapitio yanaainisha molecular docking na molecular dynamics kama mbinu za kikokotozi zinazotegemea upangaji alama wa kifizikia, QSAR ya kawaida kama mbinu inayotegemea descriptors za molekuli zilizofafanuliwa kwa mkono, na network pharmacology kama mbinu inayotegemea mitandao iliyokuratibiwa ya mwingiliano; mbinu hizi zinaweza kuunganishwa na ujifunzaji wa mashine lakini zenyewe si mbinu za AI zinazotegemea uwakilishi uliojifunza kutoka katika data.

Ujifunzaji wa mashine

Ujifunzaji wa mashine (machine learning, ML) unaweza kujifunza mahusiano kati ya sifa za molekuli na shughuli kutoka katika seti za data zilizopangwa zilizoundwa kwa viambajengo vinavyojulikana kuwa hai na visivyo hai. Mapitio yanatoa random forest, support vector machine na gradient boosting kama mifano.

Moja ya faida za ML ni kwamba uchambuzi wa umuhimu wa sifa unaweza kuonyesha ni sifa zipi za molekuli zinazochangia utabiri. Kinyume chake, upendeleo wa seti ya data, class imbalance na data leakage vinaweza kusababisha overfitting na uwezo dhaifu wa kujumlisha kwa kemia mpya.

Ujifunzaji wa kina

Ujifunzaji wa kina (deep learning, DL) hujifunza uwakilishi changamano wa molekuli na biolojia kupitia mitandao ya neva yenye tabaka nyingi. Chanzo kinataja usanifu wa CNN, RNN na transformer.

Nguvu ya ujifunzaji wa kina ni uwezo wa kujifunza mifumo yenye vipimo vingi huku ikipunguza hitaji la kubuni sifa kwa mkono. Hasara muhimu zaidi ni kwamba mara nyingi si rahisi kueleza kwa nini uamuzi fulani ulifanywa. Kwa hiyo, mbinu za AI zinazoelezeka kama attention visualisation na SHAP zinazidi kuwa muhimu kwa imani ya udhibiti.

Mitandao ya neva ya grafu

Mitandao ya neva ya grafu (graph neural networks, GNNs) huwakilisha molekuli kama grafu ambazo atomu ni nodi na vifungo vya kikemia ni kingo. Hivyo topolojia ya molekuli na mahusiano kati ya atomu huingia moja kwa moja katika modeli.

Mapitio yanaeleza kuwa GNNs zinaweza kuweka kipaumbele madarasa mapya ya kikemia ya antibakteria, lakini kujumlisha kwa scaffolds ambazo hazijawahi kuonekana bado ni changamoto. Uwezekano wa utendaji katika random split kuwa juu kuliko katika scaffold split ni mojawapo ya viashiria muhimu vya tatizo hili.

Network pharmacology

Network pharmacology huchunguza mahusiano ya dawa–shabaha–ugonjwa katika kiwango cha mfumo. Mitandao ya mwingiliano wa protini–protini, uonyeshaji wa jeni na njia za kibayolojia zinaweza kuunganishwa ili kuchunguza athari za shabaha nyingi au sinergia zinazowezekana.

Chanzo kinaainisha mbinu hii kama AI-adjacent. Kuunda na kupanga alama za mtandao si ujifunzaji wa mashine wenyewe; hata hivyo, mitandao hii inaweza baadaye kutumika kama ingizo kwa modeli za ML.

Uchakataji wa lugha asilia

Uchakataji wa lugha asilia (natural language processing, NLP) hujaribu kutoa mahusiano ya dawa–pathojeni, dawa–shabaha na athari zisizotarajiwa kutoka katika maandishi yasiyopangwa kama makala, sajili za majaribio ya kliniki na hataza.

Mapitio yanaeleza kuwa modeli za lugha za kibayomedikali zinazotegemea transformer kama BioBERT zinaweza kutumika kwa utambuzi wa entities na utoaji wa mahusiano. Changamoto kuu ni kusawazisha istilahi, data pungufu na kuunganisha maarifa yaliyotolewa kutoka matini na data za majaribio.

Vyanzo vya data vina aina gani?

Mapitio yanasisitiza kwamba aina moja ya data haitoshi katika uelekezaji upya wa matumizi ya dawa kwa AI. Hifadhidata za kikemia zinaweza kutoa miundo ya molekuli na thamani za shughuli za kibayolojia; vyanzo vya genomiki na kibayolojia vinaweza kutoa uonyeshaji wa jeni, protini na mwingiliano wake; huku vyanzo vya kliniki na ulimwengu halisi vikitoa data za dozi, usalama, matokeo ya kliniki na matukio yasiyotakiwa.

Chanzo kinatoa DrugBank, ChEMBL, PubChem, ZINC na Protein Data Bank kama mifano ya vyanzo vya kikemia/miundo; na Gene Expression Omnibus, Sequence Read Archive, UniProt na BioGRID kama mifano ya vyanzo vya kibayolojia.

Data kutoka majukwaa tofauti ni heterojeni kwa vitengo vya kipimo, protokali za majaribio, thamani zinazokosekana na ubora wa lebo. Kwa hiyo, seti kubwa ya data peke yake haimaanishi modeli ya kuaminika; usanifishaji na kuratibu data ni sehemu ya msingi ya uaminifu wa modeli.

Kwa nini random split inaweza kupotosha?

Ikiwa molekuli zinazofanana sana katika seti ya data ya kikemia zipo katika kundi la mafunzo na la test, modeli inaweza kutambua analogi za karibu za miundo iliyoyaona katika mafunzo badala ya kujumlisha kwa kemia mpya. Katika hali hii alama ya test inaweza kuonekana kuwa ya juu, lakini tabia ya modeli kwenye scaffold mpya kabisa ya kikemia haijulikani.

Mojawapo ya chaguo kali zaidi zinazopendekezwa katika mapitio ni mgawanyo unaotegemea Bemis–Murcko scaffold. Mbinu hii hutenga mfululizo mzima wa kikemia upande wa test na kujaribu uwezo wa kujumlisha kwa viambajengo vipya zaidi kimuundo. Split inayotegemea wakati inaweza kutoa tathmini iliyo karibu zaidi na hali halisi kwa kufundisha kwa data za zamani na kupima kwa data zinazojitokeza baadaye.

Data leakage ni nini?

Data leakage ni kuingia moja kwa moja au kwa njia isiyo ya moja kwa moja kwa taarifa ya seti ya test katika mafunzo ya modeli. Mapitio yanatoa mifano ya molekuli duplicate au near-duplicate, aina za chumvi au tautomer za kiwanja kilekile, na kufanya uteuzi wa sifa au uboreshaji wa hyperparameter kwenye seti yote ya data.

Leakage inapotokea, modeli haionyeshi uwezo wake wa kweli wa kujumlisha bali kiasi ambacho imetumia taarifa inayohusiana na test. Kwa hiyo, usanifishaji wa molekuli, deduplication na kuhifadhi mgawanyo wa mafunzo–uthibitishaji–test katika mchakato mzima wa ukuzaji wa modeli ni muhimu.

Kwa nini class imbalance inaweza kupotosha thamani ya accuracy?

Katika skrini za antibakteria kunaweza kuwa na maelfu ya viambajengo visivyo hai dhidi ya idadi ndogo tu ya viambajengo hai. Katika seti kama hiyo ya data, modeli inaweza kutabiri karibu kila sampuli kuwa “isiyo hai” na kupata accuracy ya juu huku ikishindwa kugundua viambajengo hai vya kweli.

Kwa hiyo chanzo kinapendekeza kutathmini precision–recall curves, enrichment metrics na uwezekano uliokalibishwa pamoja na resampling inayofaa au cost-sensitive learning. ROC-AUC peke yake haipaswi kuchukuliwa kuwa ya kutosha, hasa katika seti ya data yenye kutokuwepo kwa uwiano mkubwa.

Kwa nini uthibitishaji wa nje na wa prospektivu ni muhimu?

Uthibitishaji wa kurudi nyuma wa msalaba huonyesha jinsi modeli inavyofanya kazi ndani ya data iliyokusanywa hapo awali. Uthibitishaji wa nje hujaribu utendaji wa modeli katika seti huru ya data ambayo haijawahi kutumika katika mafunzo.

Hatua yenye nguvu zaidi ni majaribio ya prospektivu: modeli huchagua wagombea mapema, kisha wagombea hao hujaribiwa kweli maabara. Chanzo kinaona kuripoti ni viambajengo vingapi vilichaguliwa, vingapi vilithibitishwa maabara na hit rate halisi kuwa muhimu kwa uaminifu wa dai la kikokotozi.

Kwa Nini Halicin ni Tofauti na Dawa Nyingine za Mifano?

Halicin ndiyo mfano pekee katika mapitio haya ambao imethibitishwa kuwa ulipewa kipaumbele moja kwa moja kwa madhumuni ya antibakteria na modeli ya ujifunzaji wa kina; sifa za antibakteria za auranofin, phenothiazines, disulfiram, sertraline na clofazimine zilikuwa tayari zinajulikana kwa njia ya skrini za majaribio au matumizi ya kliniki bila kutegemea AI.

Halicin

Halicin awali ilikuwa kizuizi cha c-Jun N-terminal kinase kilichochunguzwa katika muktadha wa kisukari. Baadaye, modeli ya directed message-passing neural network iliyofunzwa kwa data za uzuiaji wa ukuaji ilitumika kwenye Drug Repurposing Hub na halicin ikawekwa kipaumbele kama mgombea wa antibakteria.

Kulingana na ushahidi uliowasilishwa na mapitio, halicin imeonyesha shughuli ya in vitro dhidi ya bakteria mbalimbali; Mycobacterium tuberculosis na Enterobacteriaceae sugu kwa carbapenem ni miongoni mwao. Pia ufanisi umeripotiwa katika modeli ya jeraha ya pan-resistant Acinetobacter baumannii na modeli za panya kwa Clostridioides difficile.

Chanzo kinahusisha utaratibu wa halicin na kuvurugika kwa sehemu ya ΔpH ya bacterial proton motive force. Huu ndio utaratibu ulioripotiwa kwa halicin katika chanzo; Verianla haitoi shabaha nyingine mpya ya molekuli kutokana na taarifa hiyo.

Kikomo muhimu zaidi ni cha kliniki: mapitio yanaeleza kuwa hakuna ushahidi wa ufanisi wa kliniki kwa binadamu kwa halicin. Tafiti za farmakokinetiki, sumu na fomulesheni zinazohitajika kwa matumizi ya kimfumo bado lazima zikamilishwe.

Auranofin

Auranofin ni dawa yenye dhahabu iliyoidhinishwa kwa rheumatoid arthritis. Imeripotiwa kuwa ina shughuli ya bakterisidi katika baadhi ya bakteria Gram-chanya, hasa aina zinazojumuisha MRSA, na kwamba huvuruga thiol-redox homeostasis, huku kizuizi cha thioredoxin reductase kikichangia utaratibu huu.

Marekebisho muhimu ya mapitio ni haya: hakuna utafiti uliothibitishwa uliopatikana unaoonyesha kuwa athari ya antibakteria ya auranofin iligunduliwa na AI. Kwa hiyo auranofin haipaswi kuwasilishwa kama “AI-discovered antibacterial”.

Phenothiazines

Phenothiazines kama Chlorpromazine na thioridazine zilitengenezwa kama dawa za antipsychotic. Imeonyeshwa hapo awali kwa majaribio kwamba zinaweza kupunguza shughuli ya multidrug efflux-pump katika S. aureus.

Chanzo kinasisitiza kwamba athari hii ilijulikana kabla ya enzi ya kisasa ya AI. Pia kinaeleza kwamba kuzuia efflux hakuelezi moja kwa moja sinergia ya β-lactam, kwa sababu β-lactamases na penicillin-binding proteins zilizobadilika zinaweza kuwa na nafasi kuu katika usugu wa β-lactam.

Disulfiram

Disulfiram ni dawa iliyotumika kwa muda mrefu katika matibabu ya utegemezi wa pombe. Chanzo kinataja athari ya sinergia ya bakterisidi inayotegemea shaba dhidi ya M. tuberculosis kama ushahidi wa in vitro.

Haijathibitishwa kuwa shughuli hii iligunduliwa kwa utabiri wa AI. Aidha, hitaji la kupunguza sumu inayohusiana na shaba wakati wa kufikia mkusanyiko wa tishu wenye ufanisi limetajwa kama kikwazo cha uhamishaji kwenda kliniki.

Sertraline

Sertraline ni antidepressant. Mapitio yanajadili tafiti zinazoripoti uzuiaji wa in vitro dhidi ya S. aureus, Escherichia coli na Pseudomonas aeruginosa, pamoja na kuongezeka kwa ufanisi wakati imeunganishwa na baadhi ya antibiotiki.

Onyo muhimu la kifamakolojia la chanzo ni kwamba mikusanyiko ya uzuiaji ya makumi ya µg/mL iliyoripotiwa katika strain za marejeo inaweza kuwa juu ya mfiduo unaoweza kufikiwa kwa dozi za kawaida za antidepressant. Kwa hiyo, shughuli ya in vitro haimaanishi moja kwa moja matumizi ya kliniki.

Clofazimine

Clofazimine ni dawa ya antimycobacterial inayotumika kwa ukoma na pia ina nafasi ya kliniki katika regimen za kifua kikuu sugu kwa dawa nyingi. Chanzo kinahusisha redox cycling, reactive oxygen species na kuvurugika kwa upumuaji na athari yake.

Hata hivyo, matumizi haya ya clofazimine si ugunduzi wa AI. Mapitio yanayaona kama mfano wa uelekezaji upya wa kliniki ndani ya uwanja huohuo mpana wa antimikrobia.

Kikomo muhimu cha jedwali la ushahidi: Alama “—” katika Jedwali 4 la chanzo haimaanishi kwamba hakuna ushahidi wowote katika fasihi yote duniani. Inaonyesha tu kwamba kiwango husika cha ushahidi hakikutambuliwa katika vyanzo vilivyotumika na mapitio haya.

Kwa nini thamani za “hit rate” za AI na mbinu za kawaida haziwezi kulinganishwa moja kwa moja?

Katika utafiti wa halicin, viambajengo 8 kati ya 23 vya ZINC15 vilivyochaguliwa na modeli ya AI vilizuia ukuaji wa bakteria. Katika utafiti mwingine wa ujifunzaji wa kina, viambajengo 9 kati ya takribani 240 vilivyochaguliwa vilipatikana kuwa hai; chanzo kinatoa hii kama takribani %4.

Katika utafiti wa 2026 uliotegemea docking, dawa 14 zilizoidhinishwa zilizopewa nafasi za juu zilijaribiwa kwa majaribio na lifitegrast ikaonyesha shughuli ya kuvutia zaidi ikiwa imeunganishwa na wakala anayoongeza upenyezaji wa membrana.

Nambari hizi haziruhusu hitimisho la kwamba “AI ni bora kuliko docking” au kinyume chake. Ukubwa wa maktaba ya mwanzo, kiwango cha uchujaji wa awali wa modeli, kizingiti cha shughuli, matumizi ya jaribio la whole-cell au la shabaha na mwelekeo wa kuchapisha matokeo chanya pekee hubadilisha hit rate kwa kiasi kikubwa. Chanzo kinaeleza kwamba hakuna benchmark ya antibakteria ya prospektivu ya head-to-head iliyooanishwa kati ya AI na docking/MD.

Mbinu na Matokeo ya Utafiti

Mbinu ya mapitio ya kukusanya fasihi

Hali ya kimbinu ya utafiti

Makala imeainishwa na mchapishaji kama “Review”. Kwa kuwa chanzo kinataja hifadhidata maalumu na kipindi cha tarehe, si mapitio huru kabisa ya simulizi; kwa upande mwingine, hakitoi taarifa rasmi za mapitio ya kimfumo.

Kwa hiyo Verianla inaeleza utafiti kama mapitio ya kina yanayotegemea utafutaji wa fasihi uliopangwa. Uainishaji huu unalenga kuhifadhi mipaka ya maelezo ya mbinu yaliyotolewa katika chanzo.

Vidhibiti vitano vya msingi katika uthibitishaji wa modeli

1. Data splitting na scaffold splitting: Kupunguza kuchanganyika kwa analogi za miundo iliyo karibu kati ya mafunzo na test; kutathmini kwa uhalisia zaidi uwezo wa kujumlisha kwa chemotype mpya.
2. Udhibiti wa data leakage: Kuzuia taarifa za test kuingia katika mafunzo kupitia miundo duplicate/near-duplicate, aina za chumvi na tautomer au uteuzi wa hyperparameter kwenye data yote.
3. Udhibiti wa class imbalance: Kuzuia idadi ndogo ya viambajengo hai kupotea kati ya idadi kubwa ya sampuli zisizo hai na kutumia metrika inayofaa zaidi ya accuracy pekee.
4. External na prospective validation: Kuthibitisha modeli katika data huru na baadaye katika skrini halisi ya maabara.
5. Empirical in vitro validation: Kujaribu wagombea wa kikokotozi katika mifumo halisi ya kibayolojia, ikijumuisha isolates za kliniki za MDR.

Ni majaribio gani yanapendekezwa katika uthibitishaji wa in vitro?

Mapitio yanapendekeza matumizi ya minimum inhibitory concentration (MIC), minimum bactericidal concentration (MBC), time–kill kinetics na checkerboard assay kwa michanganyiko katika mfumo wa susceptibility testing sanifu.

Pia inapaswa kutathminiwa si tu kama mgombea anaua bakteria, bali kama ni sumu kwa seli za mamalia. Kipimo cha sitotoksisiti husaidia kuelewa dirisha la uteuzi la shughuli ya antibakteria.

Inapofaa, pia inapendekezwa utaratibu wa athari uchunguzwe kwa majaribio. Hii ni kwa sababu modeli inaweza kuchagua kiwanja kuwa “hai” bila kuweza kueleza kwa nini kinafanya kazi.

Utabiri wa AI Unaweza Kuchukuliwa Lini kuwa na Maana ya Kliniki?

Kulingana na chanzo, kabla utabiri wa AI haujachukuliwa kuwa na maana ya kliniki lazima upitie uthibitishaji huru na wa prospektivu wa kikokotozi, vipimo sanifu vya antimikrobia vya in vitro, sitotoksisiti, modeli zinazofaa za wanyama, uthibitisho wa kutosha kwa mfiduo wa PK/PD katika eneo la maambukizi, jaribio la kliniki linalopima usalama na ufanisi kwa binadamu pamoja na tathmini ya udhibiti; alama kubwa ya in silico peke yake si ufanisi wa kliniki.

MIC ni nini?

Minimum inhibitory concentration (MIC) ni mkusanyiko wa chini kabisa wa dawa unaozuia ukuaji wa vijidudu unaoweza kuonekana katika hali fulani za majaribio. MIC ni mojawapo ya vipimo vya msingi vya maabara katika kutathmini nguvu inayowezekana ya antibakteria ya kiwanja.

Hata hivyo, MIC ya chini peke yake haionyeshi mafanikio ya kliniki. Lazima itathminiwe kando kama dawa inaweza kufikia kiwango hiki kwa usalama katika eneo la maambukizi.

MBC ni nini?

Minimum bactericidal concentration (MBC) ni kipimo cha mkusanyiko wa majaribio kinachohusiana na kuua bakteria. MIC hutumika kutathmini uzuiaji wa ukuaji, huku MBC ikitathmini shughuli ya bakterisidi.

Jaribio la Time-kill linaonyesha nini?

Time-kill assay hufuatilia jinsi idadi ya bakteria hai inavyobadilika kwa muda katika mikusanyiko fulani ya dawa. Hivyo, badala ya kutathmini nukta moja ya mwisho pekee, mwenendo wa athari kwa muda unaweza kutathminiwa.

Checkerboard assay inaonyesha nini?

Checkerboard assay ni mbinu ya in vitro inayotumika kutathmini sinergia au antagonism inayowezekana kwa kujaribu mchanganyiko tofauti wa mikusanyiko ya dawa mbili katika matrix moja. Mapitio yanasisitiza umuhimu wa vipimo vya aina hii hasa wakati wa kutathmini mchanganyiko wa viambajengo vilivyoelekezwa upya na antibiotiki zilizopo.

Tofauti kati ya PK na PD

Farmakokinetiki (PK) hutathmini ni mikusanyiko gani dawa hufikia mwilini na kwa wasifu gani wa muda; farmakodinamiki (PD) hutathmini uhusiano wa mfiduo huo na athari kwa kiumbe hai.

Katika uelekezaji upya wa dawa, hakuna hakikisho kwamba dozi salama katika indikasheni ya zamani itatosha kwa athari ya antibakteria. Kwa hiyo lazima ichunguzwe kama kiwanja kilichochaguliwa na modeli kinafikia mfiduo unaohitajika katika eneo halisi la maambukizi.

fAUC/MIC ni nini?

fAUC huwakilisha eneo chini ya mkunjo wa mkusanyiko–muda wa sehemu ya dawa huru isiyofungamana na protini katika kipindi fulani. MIC ni minimum inhibitory concentration.

Uwiano huu unaonyesha ukubwa wa jumla wa mfiduo wa dawa huru ukilinganishwa na mkusanyiko unaohitajika kuzuia bakteria. Chanzo hakitoi thamani maalumu ya kizingiti kwa dawa fulani; lengo linalohitajika hutofautiana kulingana na dawa na utaratibu wa athari.

fCmax/MIC ni nini?

fC_max ni mkusanyiko wa juu zaidi unaofikiwa na dawa huru. Uwiano huu unaonyesha ukubwa wa mfiduo wa kilele ukilinganishwa na MIC.

Mapitio yanatoa kipimo hiki kama fahirisi ya jumla ya PK/PD; hayahesabu uwiano mpya wa lengo kwa dawa za mifano zilizochunguzwa.

fT > MIC ni nini?

fT > MIC huonyesha ni sehemu gani ya kipindi cha dozi ambapo mkusanyiko wa dawa huru unabaki juu ya MIC. Kwa kawaida hufikiriwa kama asilimia ya kipindi cha dozi.

Kipimo hiki kina maana hasa katika miktadha ya antimikrobia ambapo ufanisi unahusiana na muda ambao mkusanyiko unabaki juu ya MIC. Mapitio hayatambui kizingiti maalumu.

Kwa nini Population PK na PBPK ni muhimu?

Population pharmacokinetic modelling inaweza kutumika kuchunguza kwa kiasi tofauti za farmakokinetiki kati ya watu mbalimbali. Physiologically based pharmacokinetic (PBPK) modelling huwakilisha compartments za viungo na tishu kwa vigezo vya kifiziolojia ili kuiga usambazaji wa dawa.

Chanzo kinajadili mbinu hizi kama zana muhimu za kubuni dozi na kupanga majaribio ya kliniki, hasa kwa wagombea wenye dirisha jembamba la matibabu au ambao ni vigumu kufikia eneo la maambukizi; mapitio haya yenyewe hayakufanya simulation ya PBPK.

Kwa mtazamo wa udhibiti, “dawa iliyoidhinishwa tayari” ina faida gani?

Kuwa na historia ya taarifa za usalama na utengenezaji kwa dawa iliyoidhinishwa kunaweza kupunguza muda wa maendeleo. Hata hivyo, kwa indikasheni mpya ya maambukizi, ufanisi, usalama na dozi inayofaa lazima vionyeshwe upya.

Chanzo kinaeleza kwamba mamlaka za udhibiti kama FDA na EMA bado huhitaji ushahidi thabiti wa usalama na ufanisi kwa indikasheni mpya; Good Clinical Practice, pharmacovigilance na, inapohitajika, majaribio mapya ya kliniki ni lazima.

Tatizo la maadili na usawa ni nini?

Kutoweza kueleza utaratibu wa uamuzi wa modeli za AI kunaweza kuleta tatizo kwa uwajibikaji wa kliniki na usalama wa mgonjwa. Aidha, seti za data za mafunzo zinapotoka kwa kiasi kisicho sawia katika nchi zenye kipato cha juu, uwezo wa modeli kujumlisha kwa watu wa nchi za kipato cha chini na cha kati unaweza kupungua.

Mapitio hayawekewi usawa mipaka kwenye mafunzo ya modeli pekee. Upatikanaji, gharama na usambazaji endelevu wa dawa iliyoelekezwa upya pia vinapaswa kutathminiwa kama sehemu ya athari kwa afya ya umma.

Hitimisho linaloungwa mkono na lisiloungwa mkono na utafiti

Nguvu za mapitio

• Yanatenganisha kimbinu AI na mbinu za kawaida za kikokotozi badala ya kuziweka katika kundi moja.
• Yanapima kando nafasi halisi ya AI katika kila dawa ya mfano.
• Yanaonyesha viwango vya ushahidi vya in silico, in vitro, wanyama na kliniki katika jedwali tofauti.
• Yanajadili kwa kina data leakage, scaffold split, class imbalance na external validation katika uthibitishaji wa modeli.
• Yanajumuisha uhalisia wa PK/PD na udhibiti katika mjadala wa modeli za kikokotozi.
• Yanaeleza wazi kwamba AI inapaswa kuwekwa katika tabaka la uwekaji kipaumbele, si kuchukua nafasi ya farmakolojia ya kliniki.
• Yanajadili maadili, upatikanaji na matatizo ya uwakilishi wa data katika nchi za kipato cha chini/kati.

Vikwazo vya mapitio

• Fasihi imewekewa kikomo kwa machapisho ya Kiingereza pekee.
• Misururu kamili ya utafutaji haijaripotiwa.
• Haijaelezwa ni rekodi ngapi zilipatikana kutoka kila hifadhidata.
• Idadi za kuondoa duplicate na uchujaji wa kichwa/muhtasari/matini kamili hazijatolewa.
• Hakuna mchoro wa mtiririko wa PRISMA.
• Hakuna tathmini rasmi ya risk-of-bias au ubora wa tafiti iliyoripotiwa.
• Usajili wa itifaki ya mapitio haujaelezwa.
• Mpangilio wa ushahidi kwa dawa za mifano umewekewa kikomo na vyanzo vilivyotumiwa katika mapitio; “—” katika Jedwali 4 haimaanishi kutokuwepo kwa ushahidi katika fasihi yote.
• Kuchapishwa kwa hit chanya katika tafiti za AI za prospektivu kunaweza kufanya kiwango halisi cha mafanikio kionekane juu kuliko kilivyo.
• Hit rate za tafiti tofauti za skrini haziwezi kulinganishwa moja kwa moja.
• Viambajengo vingi vya non-antibiotic vinaweza kuonyesha athari ya antibakteria katika mikusanyiko ambayo ni vigumu kufikia mwilini kwa dozi zilizoidhinishwa.
• Sehemu kubwa ya wagombea wa AI haina ushahidi wa kliniki kwa binadamu.

Mwelekeo wa utafiti wa baadaye

Mapitio yanakusanya kazi za baadaye katika mada sita kuu: tiba sahihi ya antimikrobia, utabiri wa mchanganyiko na sinergia, AI inayoelezeka, ujumuishaji wa mtiririko wa kazi za kikokotozi–majaribio–kliniki, upatikanaji wa kimataifa na maeneo mapya ya teknolojia.

Katika mbinu ya tiba sahihi, inapendekezwa kutumia pamoja jenomu ya pathojeni, data ya immunogenomics ya mwenyeji na microbiome; ili kutabiri kwa usahihi zaidi ni kundi gani la wagonjwa litanufaika na dawa ipi iliyoelekezwa upya.

Katika tiba ya mchanganyiko, inadhaniwa kuwa AI inaweza kupata jozi zinazoongeza athari ya antibiotiki zilizopo; hata hivyo inasisitizwa kwamba sinergia hizi lazima zithibitishwe tena katika kiwango cha in vitro, in vivo na PK/PD.

Katika AI inayoelezeka, mbinu kama attention visualisation, Shapley values na graph interpretability zimetajwa kuwa zinaweza kuongeza imani ya udhibiti.

Muundo bora wa pipeline ya baadaye si tu “model → candidate”. Chanzo kinapendekeza muundo wa kurudia ambapo modeli huchagua mgombea, mgombea hujaribiwa maabara, modeli huboreshwa tena kwa matokeo, hujaribiwa kwa data za wanyama na farmakolojia, kisha ndipo huendelea kwenye tathmini ya kliniki.

Mapitio pia yanaorodhesha synthetic biology, ubunifu wa antimicrobial peptides, kulenga biofilm na uchunguzi wa adjuvants zinazoweza kubadilisha ulinzi wa mwenyeji au virulence ya vijidudu kwa AI kama fursa za baadaye.

Hitimisho kuu la kisayansi la mapitio

Hitimisho linaloweza kutetewa zaidi la mapitio si kwamba “AI hugundua antibiotiki mpya moja kwa moja”. Ujumbe mkuu wa chanzo ni kwamba AI inaweza kuweka kipaumbele wagombea kwa ufanisi zaidi katika nafasi kubwa za dawa na molekuli; lakini faida hii huwa na maana tu ikiwa imeunganishwa na mgawanyo imara wa data, uthibitishaji wa nje, farmakolojia ya majaribio, uhalisia wa PK/PD na tathmini ya kliniki.

Halicin ni mfano wazi zaidi wa mafanikio upande wa AI katika mnyororo huu; hata hivyo, kwa kuwa hakuna data ya ufanisi wa kliniki kwa binadamu, uhamishaji kwenda kliniki haujakamilika. Mifano mingine ya dawa zilizoelekezwa upya inaonyesha kwamba kauli “AI huenda ilitumika” na “iligunduliwa na AI” lazima zitenganishwe wazi.

Maelezo ya Chanzo na Mbinu

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

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

Mwandishi wa mawasiliano: Felix Oghenemaro Enwa.

Mchango sawa: Chanzo hakina tamko la uandishi wa kwanza wa pamoja au mchango sawa.

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

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

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

Jarida: Acta Microbiologica Hellenica.

Mchapishaji: MDPI kwa niaba ya Hellenic Society for Microbiology.

Aina ya chanzo: Review — mapitio ya kina kuhusu uelekezaji upya wa dawa za antimikrobia unaosaidiwa na AI.

Rekodi ya bibliografia: Acta Microbiologica Hellenica, 2026, 71(4), Article 42.

DOI: 10.3390/amh71040042

Kiungo rasmi: https://doi.org/10.3390/amh71040042

Ratiba ya uchapishaji: Received: 21 Septemba 2026; Revised: 8 Oktoba 2026; Accepted: 10 Oktoba 2026; Published: 20 Oktoba 2026.

Academic Editors: Petros Ioannou na Diamantis P. Kofteridis.

Hali ya mapitio ya wenzao: Acta Microbiologica Hellenica ni jarida la kimataifa la wazi linalopitiwa na wenzao na kutumia double-anonymized peer-review.

Leseni: Creative Commons Attribution (CC BY).

Hali ya preprint: Chanzo kilichochunguzwa ni makala ya jarida iliyochapishwa. Hakuna kitambulisho tofauti cha preprint kilichoelezwa katika chanzo.

Upeo wa mapitio: Fasihi ya Kiingereza; Januari 2020–Septemba 2026; PubMed/MEDLINE, Scopus na Web of Science; ukaguzi wa mikono wa marejeo ya tafiti muhimu.

Kikomo cha mapitio ya kimfumo: Misururu kamili ya utafutaji, mtiririko wa PRISMA, idadi za rekodi zilizochunguzwa/kuondolewa, tathmini rasmi ya risk-of-bias na itifaki iliyosajiliwa hazijaripotiwa. Kwa hiyo Verianla haiainishi utafiti kama mapitio ya kimfumo au meta-analysis.

Data mpya za majaribio: Hakuna. Utafiti ni mapitio ya fasihi.

Modeli mpya ya AI: Hakuna. Makala inatathmini kwa kina mbinu zilizopo za AI na AI-adjacent.

Fomula katika chanzo: Hakuna mlinganyo wa kihisabati uliopewa namba. Fahirisi za PK/PD za fAUC/MIC, fCmax/MIC na fT > MIC zimejadiliwa kwa dhana.

Ufadhili: Utafiti haukupokea ufadhili wa nje.

Institutional Review Board: Haitumiki.

Ridhaa iliyoarifiwa: Haitumiki.

Upatikanaji wa data: Hakuna data mpya iliyoundwa au kuchambuliwa; kushiriki data hakutumiki kwa mapitio haya.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi.

Michango ya waandishi — Conceptualization: Kingsley Chukwuka Amaihunwa na 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 na Felix Oghenemaro Enwa.

Supervision: Felix Oghenemaro Enwa.

Kikomo cha uainishaji wa AI: Mapitio yanachukulia ML, DL, GNN na NLP kama mbinu za AI; network pharmacology kama AI-adjacent; na molecular docking/MD kama kilinganishi cha kawaida cha non-AI.

Kikomo cha ushahidi wa Halicin: Halicin ni mgombea aliyepewa kipaumbele na AI na mwenye ushahidi wa in vitro na modeli ya wanyama; mapitio hayatambui ushahidi wa ufanisi wa kliniki kwa binadamu.

Kikomo cha AI kwa dawa nyingine za mifano: Kwa auranofin, phenothiazines, disulfiram, sertraline na clofazimine, hakuna nafasi ya AI iliyothibitishwa iliyoonyeshwa katika ugunduzi wa shughuli ya antibakteria.

Kikomo cha jedwali la ushahidi: Alama “—” katika Jedwali 4 haimaanishi kutokuwepo kwa ushahidi kwa uhakika katika fasihi pana; inaonyesha tu kwamba ushahidi haukutambuliwa katika vyanzo vilivyotumiwa na mapitio haya.

Kikomo cha tathmini ya modeli: Utendaji wa juu katika random split hauhakikishi uwezo wa kujumlisha kwa scaffolds mpya. Data leakage na class imbalance vinaweza kusababisha metrika zinazoonekana kuwa za juu lakini zisizo halisi.

Kikomo cha uhamishaji kwenda kliniki: Utabiri wa in silico ni hipotesi hadi uthibitishwe kwa majaribio; shughuli ya in vitro si ufanisi wa kliniki, na hakuna hakikisho kwamba dozi ya zamani iliyoidhinishwa itatosha kwa indikasheni mpya ya antimikrobia.

Kikomo cha udhibiti: Hata kama dawa zilizoelekezwa upya zina taarifa za usalama zilizopo, bado lazima zitimize mahitaji ya ufanisi, usalama, dozi inayofaa na pharmacovigilance kwa indikasheni mpya.