Кашфи маҳсулоти табиӣ бо дастгирии зеҳни сунъӣ равиши кашфи дору мебошад, ки бо усулҳои ҳисоббарорӣ гуногунии геномӣ ва химиявии микроорганизмҳо ё дигар манбаъҳои биологиро ҷустуҷӯ намуда, ба афзалиятбандии номзадҳои нави зиддибактериявӣ равона шудааст. Ин баррасии фарогир аз асосҳои молекулавии муқовимати зиддибактериявӣ оғоз карда, монеаҳои кашфи анъанавии маҳсулоти табиӣ, ҷустуҷӯи кластерҳои генҳои биосинтетикӣ, пешгӯии биоактивият бар асоси омӯзиши мошинӣ ва омӯзиши амиқ, скрининги виртуалӣ, дерепликатсия, ҳамгироии метаболомика–хемоинформатика, моделҳои тавлидӣ ва тасдиқи in vitro ва in vivo-и номзадҳои ҳисоббарориро якҷоя баррасӣ мекунад. Манбаъ озмоиши нав ё таҳқиқоти клиникӣ анҷом надодааст; усулҳо, моделҳо ва натиҷаҳои тасдиқи таҷрибавиро аз таҳқиқоти гуногун ҷамъбаст кардааст.

Паёми асосии илмии баррасӣ ин аст, ки зеҳни сунъӣ дар кашфи зиддибактериявӣ на ҳамчун як алгоритм ё як модели пешгӯӣ, балки ҳамчун қабати ҳисоббарорие истифода мешавад, ки нуқтаҳои зиёди занҷири кашфро ба ҳам мепайвандад. Ҷустуҷӯи геномӣ бо дастгирии AI метавонад кластерҳои генҳои биосинтетикии қаблан омӯхтанашударо дар маҷмуаҳои бузурги геном муайян кунад; омӯзиши мошинӣ метавонад биоактивияти молекулаҳои номзадро пешгӯӣ кунад; воситаҳои масс-спектрометрия ва хемоинформатика метавонанд пайвастагиҳои маълумро зудтар ҷудо кунанд; равишҳои метабологеномикӣ метавонанд потенсиали генетикиро бо метаболитҳои воқеӣ пайванд диҳанд; моделҳои тавлидӣ бошанд, метавонанд молекулаҳои нав ё номзадҳои пептидҳои зиддимикробиро пешниҳод кунанд.

Дар манбаъ натиҷаҳои ҷолибе оварда шудаанд, аз ҷумла он ки e-DeepBGC дар 5666 геноми бактериявӣ 170.685 кластери генҳои биосинтетикиро муайян кардааст, BioAct-Het дар вазифаи мушаххаси пешгӯии биоактивият ба дақиқии %88,5 расидааст ва дар скрининги ултра-бузурги transfer-learning дар %54-и номзадҳои интихобшудаи таҷрибавӣ санҷидашуда фаъолияти зиддибактериявӣ мушоҳида шудааст. Аммо ин арзишҳо ба вазифаҳо, маҷмуаҳои маълумот ва тарҳҳои таҷрибавии гуногун тааллуқ доранд. Онҳоро ҳамчун як “сатҳи умумии муваффақияти AI” муттаҳид кардан мумкин нест.

Муҳимтарин маҳдудияти тафсири баррасӣ он аст, ки иҷрои баланди модел маънои муваффақияти клиникии антибиотикро надорад. Барои он ки номзади пешниҳодкардаи модел ба доруи воқеӣ табдил ёбад, бояд аз марҳилаҳои пайдарпайи тасдиқ, аз ҷумла тасдиқи химиявӣ, фаъолияти in vitro, интихобпазирӣ ва заҳролудӣ, механизми таъсир, хусусиятҳои фармакокинетикӣ ва фармакодинамикӣ, моделҳои мувофиқи ҳайвонот ва дар ниҳоят таҳқиқоти клиникии инсон гузарад. Манбаъ ҳамчунин мушкилоти асосӣ, аз ҷумла такрорпазирӣ, ғарази нашр, сифати маълумот, набудани benchmark-и стандартӣ ва маҳдудияти маълумоти in vivo-ро ошкоро эътироф мекунад.

Чаро муқовимати зиддибактериявӣ усулҳои нави кашфро талаб мекунад?

Муқовимати зиддибактериявӣ душвор шудани табобат дар сатҳи клиникӣ аз сабаби механизмҳои ирсӣ ё бадастомадаест, ки ба бактерияҳо имкон медиҳанд аз таъсири антибиотикҳо гурезанд. Дар манбаъ ҳангоми шарҳи бори глобалии AMR байни 4,95 миллион марг, ки бо сироятҳои муқовим алоқаманданд, ва тақрибан 1,27 миллион марг, ки бевосита ба сироятҳои муқовим нисбат дода мешаванд, фарқ гузошта мешавад. Ин ду рақам як мафҳуми эпидемиологӣ нестанд.

Мушкилоти муқовимат танҳо бо истифодаи бештари антибиотикҳо ҳал намешавад. Синфҳои мавҷудаи зиддибактериявӣ ҳамзамон бо якчанд механизми молекулавии муҳофизат рӯ ба рӯ мешаванд. β-лактамазаҳо ва карбапенемазаҳо метавонанд антибиотикро таҷзия кунанд; тағйирот дар молекулаҳои ҳадаф метавонад пайвастшавии антибиотикро кам кунад; насосҳои efflux метавонанд доруро аз ҳуҷайра берун кунанд; аз даст рафтани порин метавонад воридшавии доруро ба ҳуҷайра маҳдуд кунад; баъзе бактерияҳо бошанд, метавонанд марҳилаи метаболикии боздошташударо бо ферментҳои алтернативӣ давр зананд.

Чаро кашфи маҳсулоти табиӣ аз нигоҳи таърихӣ муҳим аст?

Бисёр воситаҳои муҳими зиддибактериявӣ, аз ҷумла пенициллин, тетрациклин ва ванкомицин, аз кашфиёти табиӣ ё биологӣ ба вуҷуд омадаанд. Микроорганизмҳо, растаниҳо, занбӯруғҳо ва организмҳои баҳрӣ гуногунии хеле васеи химиявӣ тавлид мекунанд. Бо вуҷуди ин, кашфи классикии маҳсулоти табиӣ танҳо ҷамъоварии маводи биологӣ ва санҷиши фаъолият нест.

Дар як экстракт метавонад ҳазорҳо сигнали химиявӣ мавҷуд бошад. Муҳаққиқ бояд фарқ кунад, ки кадоме молекулаи қаблан маълум аст, кадоме воқеан сохтори нав аст, кадоме пайвастагии дорои фаъолияти биологӣ аст ва кадоме потенсиали геномиест, ки дар шароити лабораторӣ тавлид намешавад.

Дар манбаъ монеаҳои асосии кашфи маҳсулоти табиӣ ҳамчун бозёфти дубораи пайвастагиҳои маълум, сатҳи пасти hit дар скрининг, микроорганизмҳои парваришнашаванда, кластерҳои генҳои биосинтетикии дар шароити лабораторӣ хомӯш, иқтидори маҳдуди дерепликатсия, раванди тӯлонии hit-to-lead ва хароҷоти баланди таҳия баррасӣ мешаванд.

Кластери Генҳои Биосинтетикӣ Чист ва Чаро AI Дар Ин Ҷо Истифода Мешавад?

Кластери генҳои биосинтетикӣ (biosynthetic gene cluster, BGC) минтақаи функсионалии гурӯҳбандии генҳо дар геном мебошад, ки дар биосинтези маҳсулоти муайяни табиӣ ё метаболити махсус якҷоя иштирок мекунанд; моделҳои AI барои шинохтани ин минтақаҳо дар маҷмуаҳои бузурги геном, муайян кардани ҳудудҳо, пешгӯии синфҳои маҳсулот ва афзалиятбандии кластерҳои ҷолибтарин барои кори таҷрибавӣ истифода мешаванд.

DeepBGC ва e-DeepBGC

DeepBGC барои муайян кардани минтақаҳои эҳтимолии BGC бо таҳлили оилаҳои сафеда ва контексти пайдарпайӣ дар саросари геном аз омӯзиши амиқи асосёфта ба LSTM-и дуҷониба истифода мебарад. Модел инчунин метавонад бо классификаторҳои Random Forest синфи маҳсулот ва фаъолияти эҳтимолии химиявиро пешгӯӣ кунад.

e-DeepBGC ин сохторро бо BGC-ҳои тасдиқшуда, оилаҳои сафедаи Pfam, функсияҳои Pfam ва маълумоти clan васеъ кардааст. Тибқи манбаъ, дар 5666 геноми бактериявии RefSeq 170.685 BGC муайян карда, ба ҳисоби миёна 30,1 кластер ба ҳар геном гузориш додааст.

Моделҳои self-supervised

Моделҳои self-supervised, мисли BiGCARP, тартиби контекстии доменҳои сафедаро аз маълумоти геномии нишонагузоринашуда ё каманнотатсияшуда меомӯзанд. Дар манбаъ гуфта мешавад, ки BiGCARP дар 127.294 BGC пешакӣ омӯзонида шуда; дар 773 геноми бактериявии беаннотатсия 4287 кластер муайян кардааст.

Бартарии эҳтимолии ин равиш он аст, ки ба ҷойи танҳо азёд кардани мотиви маълуми BGC кӯшиш мекунад “забони” умумии ташкили биосинтетикиро омӯзад. Аммо қобилияти умумисозӣ ба синфҳои нави BGC, ки аз тақсимоти маълумоти омӯзишӣ хеле фарқ мекунанд, ҳанӯз яке аз маҳдудиятҳои асосист.

Хондани BGC ҳамчун “ҷумла”-и биологӣ

Дар манбаъ баъзе моделҳои NLP доменҳои сафедаро ҳамчун калимаҳо ва сохтори BGC-ро ҳамчун ҷумлаи биологӣ ифода мекунанд. BGCCGB механизмҳои диққати монанд ба BERT-ро бо Graph Convolutional Networks муттаҳид мекунад, дар ҳоле ки BGC-Prophet transformer encoder истифода мебарад.

Ин ташбеҳ танҳо барои осонии баён нест. Маънои ген дар дохили BGC на танҳо аз шахсияти худи он, балки аз контексти он бо генҳои ҳамсоя ва ҷузъҳои дуртари биосинтетикӣ низ бармеояд.

Чаро омӯзиши классикии мошинӣ ҳанӯз муҳим аст?

Омӯзиши амиқ дар ҳар масъала худкорона бартарӣ надорад. RFBGCPred бо истифодаи намоишҳои Word2Vec, supervised UMAP ва Random Forest классификатсияи BGC анҷом дода, дар маҷмуаи озмоишии мутавозин %98,0 accuracy, MCC 0,9752 ва AUC 0,9928 гузориш кардааст. Дар маҷмуаи валидасияи номутавозин accuracy то %94,8 поён рафта бошад ҳам, модел иҷрои қавии худро нигоҳ доштааст.

Ин натиҷа нишон медиҳад, ки дар баъзе сохторҳои маълумот ML-и классикии хуб тарҳрезишуда метавонад бо омӯзиши амиқ рақобат кунад. Аммо якхелаи метрикаҳо набояд бе назорат байни моделҳо ва маҷмуаҳои маълумоти гуногун муқоиса карда шаванд.

Reinforcement learning чиро ислоҳ кардан мехоҳад?

Танҳо ёфтани мавҷудияти BGC кофӣ нест; ҳудудҳои оғоз ва анҷоми он бояд дуруст муайян шаванд. Дар манбаъ равише оварда шудааст, ки reinforcement learning барои ба таври итеративӣ омӯхтани он истифода мешавад, ки кадом генҳо дар кластерҳои пешгӯишуда нигоҳ дошта ё хориҷ карда шаванд.

Ин усул дар системаҳо ба мисли fungiSMASH ва DeepBGC precision-и кластерро бештар аз %25 ва дар баъзе воситаҳо precision-и генро бештар аз %15 баланд кардааст. Ин арзишҳо афзоиши доимии иҷро нестанд, ки ба ҳамаи организмҳо умумӣ карда шаванд, балки натиҷаҳои шароити валидасияи дахлдор мебошанд.

Чаро метагеномика душвортар аст?

Намунаҳои метагеномикӣ ба ҷойи як геноми пок DNA-и бисёр микроорганизмҳоро дар бар мегиранд. Вақте ҷамъкунии фрагментҳои геном нопурра ё пора-пора аст, гирифтани пурраи BGC-ҳои дароз душвор мешавад.

HiFiBGC равиши ensemble-ро истифода мебарад, ки ҷамъкуниҳои аз се metagenom assembler-и мувофиқи PacBio HiFi гирифташударо муттаҳид мекунад. Тибқи манбаъ, ин стратегия ба ҳисоби миёна нисбат ба беҳтарин равиши як assembler %78 бештар BGC муайян карда ва ensemble assembly барқароркуниро тақрибан %25 зиёд кардааст.

Пешгӯии геномӣ чӣ гуна ба молекула пайваст мешавад?

Ёфтани BGC худ аз худ нишон намедиҳад, ки кадом молекулаи химиявӣ воқеан тавлид мешавад. Аз ин рӯ, воситаҳо ба мисли Seq2PKS ва Seq2Saccharide ҷустуҷӯи геномиро бо масс-спектрометрия муттаҳид мекунанд. Аз геном сохторҳои зиёди эҳтимолии молекулавӣ тавлид мешаванд; сипас сигналҳои таҷрибавии MS бо ин сохторҳо муқоиса шуда, мувофиқатҳо танг карда мешаванд.

Дар манбаъ Seq2PKS барои муайян кардани BGC-ҳои monazomycin, oasomycin A ва 2-aminobenzamide-actiphenol; Seq2Saccharide бошад барои ёфтани BGC-и trestatin B мисол оварда мешавад.

Чаро BGC-ҳои хомӯш ва криптикӣ муҳиманд?

Дар геноми микроорганизм метавонад потенсиали тавлиди маҳсулоти муайяни табиӣ вуҷуд дошта бошад, аммо кластери дахлдори генӣ дар шароити стандартии лабораторӣ фаъол набошад. Чунин кластерҳо метавонанд “silent” ё “cryptic” номида шаванд.

Он ки SYNTERUPTOR дар Streptomyces ambofaciens кластери махсуси генҳои метаболитро муайян кардааст, ки версияҳои қаблии antiSMASH наёфта буданд, ва баъдан таҷрибавӣ нишон дода шуд, ки ин кластер биосинтези ду метаболитро роҳбарӣ мекунад, яке аз мисолҳои он аст, ки чаро пешгӯии ҳисоббарорӣ ва тасдиқи лабораторӣ бояд якҷоя бошанд.

Пешгӯии сохтор ва биоактивият бо AI

Пас аз ҷустуҷӯи геномӣ мушкили дуюми калон пешгӯии сохторҳои молекулавӣ ва фаъолиятҳои биологӣ мебошад. Манбаъ Random Forest, SVM, gradient boosting, CNN, RNN, GNN, transformer, transfer learning ва моделҳои тавлидиро дар вазифаҳои гуногун баррасӣ мекунад.

heterogeneous Siamese neural network бо номи BioAct-Het дар манбаъ ҳамчун намуна бо %88,5 accuracy дар пешгӯии биоактивият оварда шудааст. Моделҳои дигар бо метрикаҳои гуногун, аз ҷумла AUC, MCC, F1, RMSE, коррелятсияи Pearson ё hit rate арзёбӣ шудаанд. Азбаски маънои риёзии ин ченакҳо гуногун аст, онҳо синонимҳои ивазшавандаи як мафҳуми “муваффақият” нестанд.

Кашфи пептидҳои зиддимикробӣ

AMPlify бо истифодаи LSTM-и дуҷониба, multi-head attention ва context attention пайдарпайиҳои пептидҳои зиддимикробиро классификатсия мекунад. Дар манбаъ бо 3338 пайдарпайии омӯзишӣ ва 835 пайдарпайии тестӣ %93,71 accuracy, %92,93 sensitivity, %94,49 specificity, %93,66 F1 ва %98,37 AUROC гузориш шудааст.

Баъдан аз 101 пайдарпайии пешниҳодшудаи геноми қурбоққа 16 пептид синтез шуда, чор пептиди нав фаъолияти таҷрибавии зиддибактериявӣ нишон додаанд. Ин дар байни номзадҳои синтезшудаи санҷидашуда ба hit rate-и %25 мувофиқат мекунад.

Дар ин ҷо фарқи муҳим он аст, ки дақиқии классификатсияи модел дар маҷмуаи тестӣ ва hit rate-и номзадҳои нави дар лаборатория фаъолшуда метрикаҳои гуногунанд.

Скрининги виртуалии маҳсулоти табиӣ бо D-MPNN

Як модели Directed Message-Passing Neural Network бо маълумоти аз скрининги таҷрибавии 29.537 пайвастагӣ бар зидди Burkholderia cenocepacia гирифташуда омӯзонида шудааст. Hit rate-и скрининги аввалаи high-throughput танҳо %0,87 буд.

Баъдан модел 1614 пайвастагии тасдиқшудаи FDA ва 224.205 маҳсулоти табииро виртуалӣ скрининг карда; дар номзадҳои баландтарин, ки таҷрибавӣ арзёбӣ шудаанд, мутаносибан hit rate-и %26 ва %12 гузориш шудааст. Манбаъ инро нисбат ба скрининги ибтидоии тасодуфӣ/таҷрибавӣ ҳадди ақал 14 маротиба бойшавӣ маънидод мекунад.

Чӣ гуна беш аз як миллиард молекуларо скрининг кардан мумкин аст?

Дар равиши transfer-learning GNN-ҳо аввал дар маълумоти васеи молекулавӣ пешакӣ омӯзонида шуда, баъдан бо маълумоти маҳдуди фаъолияти зиддибактериявӣ fine-tune шудаанд. Ин модел беш аз як миллиард молекулаи виртуалиро аз ChemDiv ва Enamine тартиб додааст.

Барои санҷиши таҷрибавӣ 156 номзад интихоб шудааст; дар манбаъ хабар дода мешавад, ки %54-и номзадҳои санҷидашуда бар зидди E. coli фаъолияти MIC ≤10 µg/mL нишон додаанд. Аммо ин %54 маънои онро надорад, ки %54-и як миллиард молекула зиддибактериявӣ мебошанд. Ин hit rate-и як зергурӯҳи хурди таҷрибавӣ аст, ки модел онро ҳамчун эҳтимолияти баланд интихоб кардааст.

Оё Hit Rate-и Баланди AI Маънои Муваффақияти Клиникии Антибиотикро Дорад?

Не. Hit rate ҳиссаи номзадҳои бо ҳисоббарорӣ интихобшударо ифода мекунад, ки дар як санҷиши муайяни таҷрибавӣ меъёри пешакӣ муайяншудаи фаъолиятро иҷро мекунанд; муваффақияти клиникии антибиотик бошад сатҳи хеле пешрафтаи далелро оид ба самаранокӣ, бехатарӣ, дозабандӣ, фармакокинетика, фармакодинамика, рушди муқовимат ва натиҷаҳои клиникӣ дар инсон талаб мекунад.

Фарқи байни метрикаи модел ва фаъолияти таҷрибавӣ

Accuracy ё AUC рафтори классификатсионии моделро, RMSE хатои ададии пешгӯиро, коррелятсияи Pearson робитаи хаттии байни пешгӯӣ ва арзиши воқеиро, hit rate бошад чӣ қадар аз номзадҳои интихобшуда дар лаборатория фаъол баромаданашонро чен мекунад.

Ҳеҷ яке аз ин ченакҳо худ аз худ муваффақияти табобатро дар инсон нишон намедиҳанд. Аз нигоҳи Verianla занҷири дурусти далел бояд ҳамчун “холи модел → номзади таҷрибавӣ → фаъолият → заҳролудӣ/интихобпазирӣ → механизм → тасдиқи in vivo → таҳқиқоти клиникӣ” хонда шавад.

Мушкилоти out-of-distribution

Модели AI метавонад дар молекулаҳои монанд ба он чизе, ки ҳангоми омӯзиш дидааст, иҷрои баланд нишон диҳад, аммо дар минтақаҳои қаблан надидаи фазои химиявӣ ноком шавад. Манбаъ таҳқиқотеро меорад, ки ин мушкилро бо ченакҳое мисли “unfamiliarity” баррасӣ мекунанд.

Аз ин рӯ, ҳатто агар холи модели номзади аз ҷиҳати химиявӣ нав баланд бошад, эътимоднокии модел дар ҳамин синфи сохтор бояд алоҳида арзёбӣ шавад.

Cell Painting ва маълумоти фенотипӣ

Ба ҷойи истифодаи танҳо сохтори химиявии молекула, фенотипҳои морфологие, ки он дар ҳуҷайраҳо ба вуҷуд меорад, низ метавонанд ба модел ворид карда шаванд. Дар манбаъ моделҳое, ки Cell Painting ва маълумоти сохтори химиявиро якҷоя истифода кардаанд, дар 140 assay ба ҳисоби миёна AUROC 0,744 ± 0,108 додаанд; дар %62-и assay-ҳо AUROC ≥0,7, дар %30 ≥0,8 ва дар %7 >0,9 гузориш шудааст.

Ин равиш метавонад аз таъсири ҳуҷайравӣ берун аз монандии сохторӣ маълумот барорад, аммо ҳамаи assay-ҳои истифодашуда зиддибактериявӣ нестанд. Ин натиҷа доираи методологии пешгӯии биоактивияти маҳсулоти табииро нишон медиҳад.

Чаро Дерепликатсия Дар Кашфи Маҳсулоти Табиӣ Марҳилаи Муҳим Аст?

Дерепликатсия бо муайян кардани ҳарчи барвақти он ки сигналҳои химиявии дар намунаи биологӣ дидашуда ба пайвастагиҳои қаблан маълум тааллуқ доранд ё не, вақти ҷудосозии дубораи ҳамон молекула ва захираи таҷрибавиро коҳиш медиҳад; AI ва хемоинформатика дар ин ҷо барои зудтар мувофиқ кардани спектрҳои MS/MS, формулаҳои молекулавӣ, номзадҳои сохторӣ ва шабакаҳои спектралӣ истифода мешаванд.

GNPS ва шабакаҳои молекулавӣ

Global Natural Products Social Molecular Networking (GNPS) намунаҳои монанди фрагментацияи MS/MS-ро дар шабакаҳои спектралӣ ба ҳам пайваст карда, оилаҳои химиявиро намоён месозад. Сигналҳои номаълуме, ки ба спектри маълум наздиканд, метавонанд ҳамчун қисми оилаи молекулавии марбут афзалиятбандӣ шаванд.

Дар манбаъ GNPS дар контекстҳои хеле гуногун, аз ҷумла Streptomyces-и баҳрӣ, таҳқиқоти алга, намунаҳои клиникӣ, экстрактҳои растанӣ ва метаболомикаи микробиом истифода шудааст.

SIRIUS ва CSI:FingerID

SIRIUS аз маълумоти tandem MS формулаи молекулавиро пешгӯӣ мекунад, дар ҳоле ки CSI:FingerID метавонад хусусиятҳои fingerprint-и сохтори химиявиро пешгӯӣ карда, пойгоҳҳои додаи сохторҳои номзадро тартиб диҳад.

Манбаъ таъкид мекунад, ки ин системаҳо метавонанд фарогирии аннотатсияро дар маҷмуаҳои бузурги маълумот зиёд кунанд, аммо аҳамияти усулҳои ортогоналӣ, аз ҷумла NMR, барои тасдиқи ниҳоии сохторӣ нигоҳ дошта мешавад.

UmetaFlow

UmetaFlow workflow мебошад, ки коркарди пешакӣ, мувофиқкунии спектралӣ, пешгӯии формула ва сохтори молекулавӣ ва таҳлилҳои минбаъдаи асосёфта ба GNPS-ро автоматӣ мекунад. Дар тасдиқи манбаъ коркарди пешакии 1245 файли хом аз 100 штамми actinomycete тақрибан 1 соат 12 дақиқа давом карда; анҷоми пешгӯиҳои формула ва сохтор тақрибан 10 рӯз талаб кардааст.

Ин мисол ҳамчунин нишон медиҳад, ки AI ҳамеша маънои таҳлили “фаврӣ”-ро надорад. Workflow-ҳои бузурги DL ва хемоинформатика метавонанд инфрасохтори назарраси ҳисоббарориро талаб кунанд.

CSU-MS2 ва омӯзиши контрастивӣ

CSU-MS2 барои мувофиқ кардани спектрҳои MS/MS ва сохторҳои молекулавӣ дар фазои умумии намоиш contrastive learning истифода мекунад. Дар манбаъ дар benchmark-е, ки 1047 спектр бар зидди 1.001.047 молекулаи номзад аз 23 пойгоҳи додаи сохтор арзёбӣ шуданд, Recall@1 %75,45 гузориш шудааст.

Дар ҳамон benchmark CFM-ID %68,38, SIRIUS %64,85, MetFrag %48,59 ва CMSSP %30,47 Recall@1 додаанд. Ин натиҷа ба шароити мушаххаси benchmark тааллуқ дорад; маънои бартарии универсалӣ барои ҳамаи намудҳои маълумоти метаболомикӣ надорад.

Равиши foundation model

DreaMS модели асосёфта ба transformer мебошад, ки дар миллионҳо спектри tandem-массаи беаннотатсия омӯзиши пешакии self-supervised истифода мекунад. Бо омӯхтани қуллаҳои спектралии ниқобшуда ва тартиби нигоҳдории хроматографӣ ҳадаф дорад намоишҳое таҳия кунад, ки маълумоти сохтори молекулавиро дар бар мегиранд.

Манбаъ мегӯяд, ки DreaMS Atlas аз тақрибан 201 миллион спектри MS/MS иборат аст. Миқёси бузург барои аннотатсия ва ҷустуҷӯи монандӣ имкониятҳои қавӣ фароҳам меорад, аммо талаботи нигоҳдории маълумот ва ҳисоббарориро низ зиёд мекунад.

Чаро NMR ҳанӯз лозим аст?

Фрагментацияи MS/MS метавонад дар бораи сохтор маълумоти қавӣ диҳад, аммо махсусан барои стереохимия, фарқ кардани изомерҳо ва тасдиқи қатъии сохторҳои воқеан нав худ аз худ кофӣ набошад. Манбаъ спектроскопияи NMR-ро бо усулҳои 1D ва 2D ҳамчун яке аз абзорҳои асосии тасдиқи ниҳоии сохтор нигоҳ медорад.

Аз ин рӯ, пешгӯии сохтор бар асоси AI ивазкунандаи автоматии муайянкунии таҷрибавии сохтор нест, балки абзори афзалиятбандиест, ки кори таҷрибавиро ҳадафмандтар мекунад.

Чаро метаболомика ва геномика якҷоя истифода мешаванд?

Ҷустуҷӯи геномӣ нишон медиҳад, ки организм чӣ тавлид карда метавонад, метаболомика бошад нишон медиҳад, ки дар шароити муайян кадом молекулаҳо воқеан мушоҳида мешаванд. Метабологеномика кӯшиш мекунад байни ин ду қабати маълумот робита барқарор кунад.

Равиши NPClassScore/NPLinker бо истифода аз онтологияҳои маҳсулоти табиӣ робитаҳои эҳтимолии байни BGC ва сигналҳои MS/MS-ро тартиб додааст. Дар тасдиқ бо маҷмуи се маълумоти омикии мувофиқшуда ва дар маҷмӯъ 189 штамми бактериявӣ шумораи робитаҳои номзадро ба ҳисоби миёна %63 кам карда, %96-и робитаҳои таҷрибавӣ тасдиқшударо нигоҳ доштааст.

Ин натиҷа метавонад фазои номзадҳоро ҷиддӣ танг кунад, аммо маънои онро надорад, ки ҳар мувофиқати боқимонда робитаи қатъии биологӣ аст; тасдиқи таҷрибавӣ лозим аст.

Изолятсияи ҳадафманд бо роҳнамоии AI

Workflow-и истифодаи LC-UV-HRMS/MS ва supervised ML дар экстракти меваи Paulownia tomentosa 2687 хусусиятро муайян карда, 42-тояшро бо стандартҳои истинодӣ шинохта, 214-тояшро бо китобхонаи спектралӣ аннотатсия карда ва 1805 спектри MS/MS-ро ба синфи флавоноидҳои пренилдор нисбат додааст.

Афзалиятбандии минбаъда ба изолятсияи ҳадафманди панҷ пайвастагӣ оварда расонд; дутои онҳо ҳамчун сохторҳои нав дар манбаи табиӣ гузориш шуданд. Манбаъ коҳиши фазои номзадро аз 2687 хусусият то панҷ ҳадафи изолятсия ҳамчун 537 маротиба кам шудани характерикунонӣ ифода мекунад.

Ин мисол қудрати методологияи кашфи маҳсулоти табииро нишон медиҳад; таҳқиқоти мустақими самаранокии клиникии зиддибактериявӣ нест.

Оё зеҳни сунъии тавлидӣ метавонад антибиотики нав тарҳрезӣ кунад?

Моделҳои тавлидӣ бо омӯхтани қолабҳои молекула ё пептид дар маълумоти омӯзишӣ метавонанд сохторҳои номзадеро пешниҳод кунанд, ки қаблан дар пойгоҳи дода набуданд. Дар манбаъ GAN, моделҳои recurrent ва latent diffusion махсусан дар тарроҳии пептидҳои зиддимикробӣ баррасӣ мешаванд.

Дар равиши latent diffusion-и Wang ва ҳамкорон 40 пептиди номзад синтез шуда ва 25-тояш (%62,5) фаъолияти зиддибактериявӣ ё зиддифунгалӣ нишон додааст. AMP-24 бар зидди бактерияҳои Грам-манфӣ ва AMP-29 бар зидди Candida glabrata фаъолияти интихобӣ нишон додаанд.

Тавлиди як пайдарпайӣ аз ҷониби модели тавлидӣ худ аз худ мақоми номзади табобатиро намедиҳад. Молекула бояд синтез шавад, санҷишҳои MIC ва спектр гузаронида шаванд, гемолиз/ситотоксикӣ арзёбӣ шавад ва дар ҳолатҳои зарурӣ ба тасдиқи фармакологӣ гузаронда шавад.

Усул ва Натиҷаҳои Таҳқиқот

Худи ин мақола кадом усулро истифода мебарад?

Таҳқиқоти манбаъ Review-и фарогирест, ки маълумоти нави таҷрибавӣ эҷод намекунад. Аз бори глобалии AMR ва механизмҳои молекулавии муқовимат оғоз карда, то монеаҳои кашфи анъанавии маҳсулоти табиӣ, моделҳои AI, ҷустуҷӯи BGC, скрининги виртуалӣ, дерепликатсия, ҳамгироии метаболомика–хемоинформатика ва тасдиқи преклиникӣ синтези мавзӯӣ месозад.

Азбаски дар манбаъ методологияи алоҳидаи ҷустуҷӯи систематикӣ, санаи ҷустуҷӯи пойгоҳи дода, ҷараёни PRISMA ё меъёрҳои формалии дохил/хориҷкунӣ гузориш нашудааст, мақолаи Verianla таҳқиқотро ҳамчун “корпуси мета-таҳлилии систематикӣ интихобшуда” пешниҳод намекунад.

Меъмории илмии манбаъ

Гузариш Аз Пешгӯии AI Ба Номзади Таҷрибавии Зиддибактериявӣ Чӣ Гуна Тасдиқ Мешавад?

Барои он ки пешгӯии AI ҳамчун номзади воқеии зиддибактериявӣ арзёбӣ шавад, пас аз афзалиятбандии ҳисоббарорӣ синтез ё изолятсияи молекула, санҷиши фаъолияти in vitro, арзёбии ҳадаф/интихобпазирӣ ва заҳролудӣ, тасдиқи механизм ва дар номзадҳои мувофиқ моделҳои сирояти in vivo лозиманд; муваффақият дар модели ҳайвон ҳанӯз маънои самаранокии клиникии инсонро надорад.

Занҷири тасдиқи P076

Пептидҳои P001, P002 ва P076, ки дар чаҳорчӯбаи AMPredictor-и асосёфта ба GAN ва GCN тавлид шудаанд, аз скрининги ҳисоббарорӣ ба санҷиши таҷрибавӣ гузаштаанд. Модел дар пешгӯии MIC RMSE 0,5348 ва коэффисиенти коррелятсияи Pearson 0,7072 гузориш кардааст.

Се пептид бар зидди ҳашт штамми бактериявӣ фаъолияти in vitro нишон додаанд. P076 бар зидди MDR Acinetobacter baumannii фаъолияти MIC 0,21 µM нишон дода, барои пайвастшавӣ ба lipid A Kd 56,1 nM гузориш шудааст ва гемолиз то 70 µM <%1 будаст.

Дар модели сирояти перитонеалии MDR A. baumannii дар мушҳо, зиндамонии 48-соатаи гурӯҳе, ки 2 mg/kg P076 гирифтааст, %50 буд, дар ҳоле ки дар гурӯҳҳои назоратии PBS ва ципрофлоксацин %0 буд. Тақрибан 25 маротиба кам шудани бори бактериявии перитонеалӣ гузориш шудааст.

Ин натиҷаҳо барои P076 далели преклиникии таҷрибавӣ медиҳанд; дозаи табобат, бехатарӣ ё самаранокиро дар инсон муайян намекунанд.

Кашфи ҳадафноки FtsZ ва OmpW

Манбаъ ду мисоли гуногуни кашфи AI-и ба ҳадаф асосёфтаро медиҳад. Дар як таҳқиқот скрининги виртуалии сафедаи FtsZ ба афзалиятбандии номзади T3995 овардааст. Дар таҳқиқоти дигар QSAR ва structure-based screening demethoxycurcumin-ро интихоб карданд, ки сафедаи мембранаи берунии OmpW-и A. baumannii-ро ҳадаф мегирад.

Тасдиқ бо мутанти норасоии OmpW барои санҷидани робитаи ҳадафи пешгӯишуда махсусан арзишманд аст. Чунин назоратҳои генетикӣ ё молекулавӣ нисбат ба танҳо натиҷаи “пайвастагӣ бактерияро кушт” маълумоти механистии қавитар медиҳанд.

Мисолҳои тасдиқи in vivo

Дар баррасӣ мисолҳои преклиникӣ оварда мешаванд, аз ҷумла самаранокии P12 дар модели захми S. aureus дар муш ва заҳролудии паст дар узвҳои асосӣ то 400 mg/kg; самаранокии EME7(7) дар модели пневмонияи A. baumannii дар муш ва набудани осеби гурда; фаъолияти AMP-24 ва AMP-29 дар моделҳои сирояти пӯст ва шуш.

Инҳо таҳқиқоти клиникии инсон нестанд. Номзаде, ки дар модели муш самаранок аст, бояд аз рӯи ҷаббиш, тақсимшавӣ, метаболизм, дозабандӣ, заҳролудӣ ва патофизиологияи инсон алоҳида арзёбӣ шавад.

Мисоли Halicin

Halicin молекулаи аз ҷиҳати сохтор фарқкунандаест, ки фаъолияти зиддибактериявии он дар натиҷаи скрининги дубораи китобхонаи мавҷудаи молекулаҳо бо омӯзиши амиқ афзалият дода шудааст. Дар манбаъ фаъолияти in vitro-и он дар спектри васеи бактерияҳо ва самаранокии он дар моделҳои муши C. difficile ва A. baumannii-и pan-муқовим оварда шудаанд.

Ин ҳолат нишон медиҳад, ки AI маҷбур нест танҳо сохторҳои ба антибиотикҳои мавҷуда монандро ҷустуҷӯ кунад ва метавонад скелетҳои химиявии гуногунро афзалият диҳад. Аммо мисоли halicin маънои онро надорад, ки ҳамаи молекулаҳои бо AI ёфтшуда бомуваффақият ба рушди клиникӣ мерасанд.

Hit rate то чӣ андоза зиёд шуда метавонад?

Чаро AI-и тавзеҳпазир муҳим аст?

Қувваи баланди пешгӯии модел метавонад шарҳ надиҳад, ки кадом хусусияти молекулавӣ фаъолиятро ба вуҷуд меорад. Воситаҳои AI-и тавзеҳпазир, ба мисли SHAP, метавонанд саҳми аминокислота, фрагменти молекулавӣ, хусусияти физикӣ-химиявӣ ё дигар вурудҳоро ба қарори модел намоён кунанд.

Манбаъ дар мисоли LLAMP меорад, ки аҳамияти боқимондаҳои аминокислотаҳо, аз ҷумла триптофан, лизин ва фенилаланин, дар фаъолияти AMP тавассути таҳлили тафсирпазирӣ муайян шуда ва ин маълумот дар оптимизатсияи пептид истифода шудааст.

Бо вуҷуди ин, нисбат додани хусусият далели таҷрибавии сабабият нест. Оё хусусият воқеан қисми механизми таъсир аст ё не, бояд бо тасдиқи мустақили биологӣ арзёбӣ шавад.

Харитаи вазифаи илмии шаклҳои манбаъ

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

Баррасӣ дастгирӣ мекунад, ки AI метавонад дар бисёр марҳилаҳои кашфи маҳсулоти табиӣ ва зиддибактериявӣ фазои номзадҳоро танг кунад, BGC-ҳоро дар маҷмуаҳои бузурги геном афзалият диҳад, пешгӯии биоактивият ва сохтори молекулавиро беҳтар созад, дерепликатсияро суръат бахшад ва дар баъзе таҳқиқоти интихобшуда номзадҳои дорои hit rate-и баланди таҷрибавӣ пешниҳод кунад.

Ҳамчунин нишон медиҳад, ки бо истифодаи якҷояи маълумоти геномӣ, метаболомикӣ ва масс-спектрометрӣ байни потенсиали биосинтетикии геном ва молекулаи химиявии мушоҳидашуда робитаҳои қавитар барқарор кардан мумкин аст.

Манбаъ ҳамчунин дастгирӣ мекунад, ки баъзе номзадҳои зиддимикробии аз ҷониби AI афзалиятдодашуда танҳо дар марҳилаи in silico намондаанд; намунаҳои тасдиқ то фаъолияти in vitro, ситотоксикӣ/гемолиз, механизми ҳадаф ва моделҳои сирояти муш расидаанд.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

Баррасӣ исбот намекунад, ки AI мушкили рушди антибиотикро ҳал кардааст ё accuracy/AUC-и баланди модел маънои антибиотики нави аз ҷиҳати клиникӣ муваффақро дорад.

Hit rate-ҳои зиёда аз %50, ки дар манбаъ оварда шудаанд, сатҳи умумии муваффақият барои ҳамаи системаҳои AI, ҳамаи китобхонаҳои химиявӣ ё ҳамаи бактерияҳо нестанд. Онҳо натиҷаҳои интихобшудаи тасдиқи таҷрибавии таҳқиқоти гуногун мебошанд.

Самаранокӣ дар моделҳои ҳайвонот самаранокии клиникии инсон нест. Арзиши in vitro MIC дозаи инсонро муайян намекунад. Тавлиди молекула ё пептид маънои тасдиқи доруро надорад.

Азбаски баррасӣ интихоби формалии систематикии адабиёт ва арзёбии risk-of-bias-ро гузориш намекунад, наметавон хулоса кард, ки мисолҳои муваффақи овардашуда иҷрои миёнаи тамоми адабиёти кашфи AI–зиддибактериявиро намояндагӣ мекунанд.

Дар бахши натиҷагирии худи манбаъ низ гуфта мешавад, ки такрорпазирии модел, набудани benchmark-и стандартӣ, ғарази нашр ба сӯи натиҷаҳои мусбат ва мушкилоти сифати маълумот метавонанд иҷрои AI-ро аз воқеият хушбинтар нишон диҳанд.

Дар оянда кадом қадамҳо заруранд?

Дидгоҳи ояндаи манбаъ ба маҷмуаҳои васеъ ва хуб куриронидашудаи маълумот, мубодилаи кушодаи модел/код, benchmark-ҳои стандартӣ, foundation model-ҳо, ченкунии беҳтари эътимоди out-of-distribution, ҳамгироии бисёрқабатаи геномика–транскриптомика–метаболомика ва пайвасти қатъии пешгӯиҳои AI бо тасдиқи таҷрибавӣ тамаркуз мекунад.

Махсусан барои бастани фосилаи байни фаъолияти in vitro ва самаранокии клиникӣ, маълумоти фармакокинетикӣ, фармакодинамикӣ, тақсимоти бофтавӣ, иммунитети мизбон ва бехатарии in vivo бояд ба моделҳои пешгӯии оянда ба таври систематики бештар ворид карда шаванд.

Ёддошт оид ба Манбаъ ва Усул

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

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

Муаллифи масъул: Aditya Velidandi.

Муассисаҳо: 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.

Маҷалла: Antibiotics.

Ношир: MDPI, Basel, Switzerland.

Маълумоти нашр: 2026; ҷилди 15; шумораи 5; мақолаи 478. Санаи нашр: 8 May 2026.

DOI: 10.3390/antibiotics15050478

Навъи манбаъ: Мақолаи Review-и рецензияшуда ва дастраси озод. Азбаски дар мақола усули алоҳидаи ҷустуҷӯи систематикии адабиёт, ҷараёни PRISMA ё протоколи формалии дохил/хориҷкунӣ вуҷуд надорад, дар мазмуни Verianla ҳамчун баррасии ривоятӣ/фарогир баррасӣ шудааст.

Иҷозатнома: Creative Commons Attribution (CC BY).

Доираи манбаъ: Бори AMR; механизмҳои молекулавии муқовимат; маҳдудиятҳои синфҳои мавҷудаи антибиотик; монеаҳои кашфи анъанавии маҳсулоти табиӣ; усулҳои ML/DL; ҷустуҷӯи BGC бо дастгирии AI; пешгӯии сохтор ва фаъолияти молекулавӣ; скрининги виртуалӣ; дерепликатсия; метаболомика ва хемоинформатика; метабологеномика; тарроҳии AMP бар асоси модели тавлидӣ; тасдиқи in vitro ва in vivo.

Озмоиши нав дар манбаъ: Нест. Мақола натиҷаҳои таҳқиқоти қаблан нашршударо синтез мекунад.

Маълумоти нав: Эҷод ё таҳлил нашудааст.

Кумитаи ахлоқ: Татбиқ намешавад.

Розигии огоҳона: Татбиқ намешавад.

Маблағгузорӣ: Маблағгузории беруна гирифта нашудааст.

Бархӯрди манфиатҳо: Муаллифон бархӯрди манфиатҳоро гузориш накардаанд.

Саҳми муаллифон: Консептуализатсия Renuka Gudepu ва Swapna Sirikonda; тарҳи аввал, бозбинӣ/таҳрир ва визуализатсия ҳамаи шаш муаллиф; роҳбарӣ Aditya Velidandi анҷом додааст.

Баёнияи воситаи навиштан: Муаллифон гуфтаанд, ки Grammarly-ро барои беҳтар кардани хонданбобӣ ва сохтори ҷумла истифода кардаанд; натиҷаро худ бозбинӣ ва таҳрир намуда, тамоми масъулияти мазмуни нашрро ба ӯҳда гирифтаанд.

Ёддошти эпидемиологии дохили манбаъ: Ифодаи тақрибан 4,95 миллион марг дар Abstract дар матни Verianla бо ҷудокунии дақиқтари Ҷадвали 1 тафсир шудааст: тақрибан 4,95 миллион марг бо AMR алоқаманд, тақрибан 1,27 миллион марг бошад бевосита ба сироятҳои муқовим нисбат додашаванда гузориш мешаванд. Ин ду ченак ҳаммаъно нестанд.

Маҳдудиятҳои асосии методологӣ: Манбаъ методологияи формалии баррасии систематикиро гузориш намекунад. Мисолҳои дохилшуда аз ҷиҳати меъмории модел, манбаи маълумот, вазифа, метрика, сатҳи тасдиқ ва соҳаи терапевтӣ хеле гетерогенӣ мебошанд. Баъзе мисолҳои методологӣ на аз кашфи мустақими зиддибактериявӣ, балки аз адабиёти васеътари маҳсулоти табиӣ ва пешгӯии биоактивият гирифта шудаанд. Аз ин рӯ, арзишҳои иҷро набояд ҳамчун натиҷаи умумии мета-таҳлилӣ муттаҳид карда шаванд.

Маҳдудиятҳои худи AI дар манбаъ: Ҳамеша кушода набудани код ва моделҳои омӯзонидашуда, набудани benchmark-и стандартӣ, ғарази нашр ба сӯи натиҷаҳои мусбат, аннотатсияҳои нопурра ё номувофиқи биоактивият, гузориши нопурраи шароити таҷриба ва сабтҳои хато ё такрорӣ дар пойгоҳҳои додаи ҷамъиятӣ такрорпазирӣ ва умумисозиро маҳдуд мекунанд.

Усули баёни Verianla: Ин мазмун тарҷумаи наздики бахши abstract ё conclusion-и мақолаи аслӣ нест. Механизмҳои AMR, монеаҳои кашфи маҳсулоти табиӣ, оилаҳои моделҳои AI, ҷустуҷӯи BGC, скрининги виртуалӣ, дерепликатсия, метаболомика–хемоинформатика, тарроҳии тавлидии AMP, вазифаҳои илмии Figure 1–26, метрикаҳои иҷро, тасдиқи таҷрибавӣ ва маҳдудиятҳо ба қабатҳои ҷудогонаи илмӣ тақсим шуда, дар сохтори омӯзишии Тоҷикӣ аз нав ташкил шудаанд.

Маҳдудияти тафсир: Иҷрои AI ё маълумоти номзади зиддибактериявӣ, ки дар ин ҷо оварда шудааст, барои бемори инфиродӣ интихоби антибиотик ё тавсияи табобат нест. Дақиқии модел, фаъолияти in vitro ва самаранокӣ дар модели ҳайвон ҷойгузини самаранокии клиникии инсон намешаванд.