Sunʼiy intellekt yordamidagi tabiiy mahsulotlarni kashf etish mikroorganizmlar yoki boshqa biologik manbalarning genomik va kimyoviy xilma-xilligini hisoblash usullari bilan skanerlash orqali yangi antibakterial nomzodlarni ustuvorlashtirishga qaratilgan dori kashfiyoti yondashuvidir. Ushbu keng qamrovli sharh antibakterial qarshilikning molekulyar asoslaridan boshlab, anʼanaviy tabiiy mahsulot kashfiyotidagi toʻsiqlar, biosintetik gen klasterlarini qidirish, mashinaviy oʻrganish va chuqur oʻrganishga asoslangan bioaktivlikni bashorat qilish, virtual skrining, dereplikatsiya, metabolomika–kemoinformatika integratsiyasi, generativ modellar hamda hisoblash orqali tanlangan nomzodlarning in vitro va in vivo tasdiqlanishini birgalikda koʻrib chiqadi. Manba yangi tajriba yoki klinik tadqiqot oʻtkazmagan; turli tadqiqotlardagi usullar, modellar va eksperimental tasdiqlash natijalarini jamlagan.
Sharhning asosiy ilmiy xabari shundan iboratki, sunʼiy intellekt antibakterial kashfiyotda bitta algoritm yoki bitta bashorat modeli sifatida emas, balki kashfiyot zanjirining ko‘plab nuqtalarini o‘zaro bog‘lovchi hisoblash qatlami sifatida ishlatilishi mumkin. AI yordamidagi genom qidiruvi katta genom to‘plamlarida avval o‘rganilmagan biosintetik gen klasterlarini aniqlashi mumkin; mashinaviy o‘rganish nomzod molekulalarning bioaktivligini bashorat qilishi mumkin; massa-spektrometriya va kemoinformatika vositalari ma’lum birikmalarni tezroq ajratishi mumkin; metabologenomik yondashuvlar genetik potensialni haqiqiy metabolitlar bilan bog‘lashi mumkin; generativ modellar esa yangi molekula yoki antimikrob peptid nomzodlarini taklif qilishi mumkin.
Manbada e-DeepBGC 5666 bakterial genomda 170.685 biosintetik gen klasterini aniqlagani, BioAct-Het ma’lum bioaktivlikni bashorat qilish vazifasida %88,5 aniqlikka erishgani va ultra-katta transfer-learning skriningida eksperimental ravishda sinovdan o‘tkazilgan tanlangan nomzodlarning %54 ida antibakterial faollik kuzatilgani kabi e’tiborga molik natijalar keltiriladi. Biroq bu qiymatlar bir-biridan farq qiluvchi vazifalar, ma’lumotlar to‘plamlari va tajriba dizaynlariga tegishli. Ularni yagona umumiy “AI muvaffaqiyat darajasi” sifatida birlashtirib bo‘lmaydi.
Sharhning eng muhim talqin chegarasi shuki, modelning yuqori ko‘rsatkichi klinik antibiotik muvaffaqiyatini anglatmaydi. Model tavsiya qilgan nomzod haqiqiy dori bo‘lishi uchun kimyoviy tasdiqlash, in vitro faollik, selektivlik va toksiklik, ta’sir mexanizmi, farmakokinetik va farmakodinamik xususiyatlar, mos hayvon modellari va nihoyat inson klinik tadqiqotlari kabi ketma-ket tasdiqlash bosqichlaridan o‘tishi kerak. Manba shuningdek takrorlanuvchanlik, nashr tarafkashligi, ma’lumotlar sifati, standartlashtirilgan benchmark yetishmasligi va in vivo ma’lumotlarning cheklanganligi kabi asosiy muammolarni ochiq tan oladi.
Antibakterial qarshilik nega yangi kashfiyot usullarini talab qiladi?
Antibakterial qarshilik bakteriyalarga antibiotiklar ta’siridan qochish imkonini beradigan irsiy yoki orttirilgan mexanizmlarning klinik darajada davolashni qiyinlashtirishidir. Manbada AMR ning global yuki bayon etilganda 4,95 million o‘lim qarshilikka ega infeksiyalar bilan bog‘liq ekani va taxminan 1,27 million o‘lim bevosita qarshilikka ega infeksiyalarga taalluqli ekani farqlanadi. Bu ikki raqam bir xil epidemiologik tushuncha emas.
Qarshilik muammosi faqat ko‘proq antibiotik ishlatish bilan hal qilinadigan masala emas. Mavjud antibakterial sinflar bir vaqtning o‘zida bir nechta molekulyar himoya mexanizmlariga duch keladi. β-laktamazalar va karbapenemazalar antibiotikni parchalashi mumkin; nishon molekulalardagi o‘zgarishlar antibiotikning bog‘lanishini kamaytirishi mumkin; efflux nasoslari dorini hujayradan tashqariga chiqarishi mumkin; porin yo‘qolishi dorining hujayraga kirishini cheklashi mumkin; ayrim bakteriyalar esa ingibitsiya qilingan metabolik bosqichni muqobil fermentlar orqali aylanib o‘tishi mumkin.
| Mexanizm | Biologik mantiq | Manbada keltirilgan misollar | Natija |
|---|---|---|---|
| Fermentativ parchalanish yoki modifikatsiya | Antibiotik samarali nishonga yetib bormasdan oldin kimyoviy jihatdan o‘zgartiriladi yoki parchalanadi | β-laktamazalar, ESBL lar, KPC, NDM, OXA, IMP, VIM, aminoglikozid-modifikatsiyalovchi fermentlar | Bir yoki bir nechta antibiotik sinfining faolligi kamayishi mumkin |
| Nishonning o‘zgarishi | Antibiotik bog‘lanadigan tuzilma o‘zgartiriladi, asosiy hujayraviy funksiya esa saqlanadi | mecA/PBP2a, gyrA, gyrB, parC, parE, vanA/vanB/vanC, rpoB | Dorining nishonga affiniteti kamayadi |
| Efflux | Antibiotik faol transport tizimlari orqali hujayradan tashqariga chiqariladi | MexAB-OprM, AcrAB-TolC va boshqa RND/MFS/SMR tizimlari | Hujayra ichidagi samarali dori konsentratsiyasi pasayadi |
| O‘tkazuvchanlikning kamayishi | Tashqi membranadagi kirish kanallari kamayadi yoki o‘zgartiriladi | ompF, ompC, ompK35/36 | Ayniqsa Gram-manfiy bakteriyalarda antibiotikning kirishi cheklanadi |
| Metabolik bypass | To‘silgan metabolik bosqich muqobil chidamli fermentlar yordamida davom ettiriladi | sul1, sul2 va dfr genlari | Ingibitsiya qilingan yo‘lning funksional muqobili saqlanadi |
Tabiiy mahsulot kashfiyoti tarixan nega muhim?
Penitsillin, tetratsiklin va vankomitsin kabi ko‘plab muhim antibakterial vositalar tabiiy yoki biologik kelib chiqishga ega kashfiyotlardan yaratilgan. Mikroorganizmlar, o‘simliklar, zamburug‘lar va dengiz organizmlari juda keng kimyoviy xilma-xillik hosil qiladi. Shunga qaramay, klassik tabiiy mahsulot kashfiyoti faqat biologik materialni yig‘ish va faollik testini o‘tkazishdan iborat emas.
Bir ekstraktda minglab kimyoviy signallar bo‘lishi mumkin. Tadqiqotchi ulardan qaysi biri avval ma’lum molekula, qaysi biri haqiqatan yangi tuzilma, qaysi biri biologik faollikka ega birikma va qaysi biri laboratoriya sharoitida ishlab chiqarilmaydigan genomik potensial ekanini ajrata olishi kerak.
Manbada tabiiy mahsulot kashfiyotining asosiy to‘siqlari sifatida ma’lum birikmalarning qayta kashf etilishi, past skrining hit darajasi, kultivatsiya qilib bo‘lmaydigan mikroorganizmlar, laboratoriya sharoitida jim qoladigan biosintetik gen klasterlari, cheklangan dereplikatsiya imkoniyati, uzoq hit-to-lead jarayoni va yuqori ishlab chiqish xarajatlari ko‘rib chiqiladi.
| To‘siq | Manbada berilgan miqdoriy kontekst | Ilmiy natija |
|---|---|---|
| Ma’lum birikmalarning qayta topilishi | LC-MS asosidagi untargeted metabolomikada xususiyatlarning taxminan %95–98 ini ishonchli aniqlab bo‘lmasligi mumkin | Yangi tuzilmalar bilan ma’lum kimyoviy signallarni ajratish qiyinlashadi |
| Past an’anaviy hit darajalari | Manbada ayrim tabiiy mahsulot skrininglarida taxminan %0,3; sintetik kutubxonalarda <%0,001 kabi misollar keltiriladi | Juda katta kutubxonalarni eksperimental skriningdan o‘tkazish talab etiladi |
| Kultivatsiya qilib bo‘lmaydigan mikrob xilma-xilligi | Manba taxminan %99,9 ini standart usullar bilan kultivatsiya qilib bo‘lmasligini keltiradi | Biosintetik xilma-xillikning katta qismi klassik kultura asosidagi kashfiyotdan tashqarida qolishi mumkin |
| Jim BGC lar | Ko‘plab genomlarda standart laboratoriya sharoitida ifodalanmaydigan klasterlar mavjud | Genomdagi kimyoviy ishlab chiqarish potensiali kulturada ko‘rinmasligi mumkin |
| Dereplikatsiya | Manba an’anaviy LC-MS annotatsiya darajalarini taxminan %2–5 atrofida muhokama qiladi | Ma’lum tuzilmalarni erta bosqichda ajratib tashlash qiyinlashadi |
| Vaqt va xarajat | Manba kashfiyotdan bozorgacha 10–20 yillik jarayonlar va juda yuqori ishlab chiqish xarajatlari haqida so‘z yuritadi | Har bir nomzodni eksperimental jihatdan bir xil chuqurlikda o‘rganish barqaror emas |
Biosintetik Gen Klasteri Nima va AI Bu Yerda Nega Ishlatiladi?
Biosintetik gen klasteri (biosynthetic gene cluster, BGC) ma’lum tabiiy mahsulot yoki maxsus metabolit biosintezida birgalikda ishtirok etadigan genlarning genomda funksional tarzda guruhlangan hududidir; AI modellari katta genom to‘plamlarida ushbu hududlarni tanish, chegaralarini aniqlash, mahsulot sinflarini bashorat qilish va eksperimental ish uchun eng qiziqarli klasterlarni ustuvorlashtirish maqsadida ishlatiladi.
DeepBGC va e-DeepBGC
DeepBGC genom bo‘ylab protein oilalari va sekvens kontekstini tahlil qilib, potensial BGC hududlarini aniqlash uchun ikki yo‘nalishli LSTM asosidagi chuqur o‘rganishdan foydalanadi. Model, shuningdek, Random Forest klassifikatorlari bilan mahsulot sinfi va potensial kimyoviy faollikni bashorat qilishi mumkin.
e-DeepBGC ushbu tuzilmani tasdiqlangan BGC lar, Pfam protein oilalari, Pfam funksiyalari va clan ma’lumotlari bilan kengaytirgan. Manbaga ko‘ra, 5666 RefSeq bakterial genomida 170.685 BGC aniqlagan va har bir genomga o‘rtacha 30,1 klaster qayd etgan.
Self-supervised modellar
BiGCARP kabi self-supervised modellar belgilanmagan yoki cheklangan annotatsiyaga ega genomik ma’lumotlardan protein domenlarining kontekstual tartibini o‘rganadi. Manbada BiGCARP 127.294 BGC da oldindan o‘qitilgani; 773 annotatsiyasiz bakterial genomda 4287 klaster aniqlagani keltirilgan.
Ushbu yondashuvning potensial afzalligi faqat ma’lum BGC motivini yodlab olish o‘rniga biosintetik tashkilotning umumiy tilini o‘rganishga harakat qilishidir. Biroq o‘qitish ma’lumotlari taqsimotidan juda farq qiladigan yangi BGC sinflariga umumlashtirish hanuz asosiy cheklovlardan biridir.
BGC ni biologik “gap” kabi o‘qish
Manbada ayrim NLP modellari protein domenlarini so‘zlar, BGC tuzilmasini esa biologik gap sifatida ifodalaydi. BGCCGB BERT ga o‘xshash attention mexanizmlarini Graph Convolutional Networks bilan birlashtiradi, BGC-Prophet esa transformer encoder dan foydalanadi.
Bu o‘xshatish faqat tushuntirish qulayligi uchun emas. BGC ichidagi genning ma’nosi faqat uning o‘z identifikatoridan emas, balki qo‘shni genlar va uzoqroq biosintetik komponentlar bilan kontekstual aloqalaridan ham kelib chiqishi mumkin.
Klassik mashinaviy o‘rganish nega hanuz muhim?
Chuqur o‘rganish har bir muammoda avtomatik ravishda ustun emas. RFBGCPred Word2Vec ifodalari, supervised UMAP va Random Forest yordamida BGC klassifikatsiyasini bajargan; muvozanatlangan test to‘plamida %98,0 accuracy, MCC 0,9752 va AUC 0,9928 ni qayd etgan. Muvozanatsiz validatsiya to‘plamida accuracy %94,8 gacha pasaygan bo‘lsa-da, model kuchli natijasini saqlab qolgan.
Bu natija ayrim ma’lumot tuzilmalarida yaxshi loyihalangan klassik ML chuqur o‘rganish bilan raqobatlasha olishini ko‘rsatadi. Biroq bir xil metrikalar turli modellar va ma’lumot to‘plamlari o‘rtasida nazoratsiz tarzda taqqoslanmasligi kerak.
Reinforcement learning nimani tuzatishga urinadi?
BGC ning faqat mavjudligini topish yetarli emas; boshlanish va tugash chegaralarini to‘g‘ri aniqlash kerak. Manbada reinforcement learning bashorat qilingan klasterlarda qaysi genlarni saqlab qolish yoki chiqarib tashlashni iterativ ravishda o‘rganish uchun ishlatiladigan yondashuv bayon etiladi.
Bu usul fungiSMASH va DeepBGC kabi tizimlarda klaster precision ini %25 dan ko‘proq, ayrim vositalarda gen precision ini %15 dan ko‘proq oshirgan. Bu qiymatlar barcha organizmlarga umumlashtiriladigan doimiy ko‘rsatkich o‘sishi emas, tegishli validatsiya sharoitlaridagi natijalardir.
Metagenomika nega qiyinroq?
Metagenomik namunalar bitta sof genom o‘rniga ko‘plab mikroorganizmlarning DNA sini o‘z ichiga oladi. Genom fragmentlarini yig‘ish to‘liq bo‘lmasa yoki parchalangan bo‘lsa, uzun BGC larni to‘liq qamrab olish qiyinlashadi.
HiFiBGC uch xil PacBio HiFi mos metagenom assembler dan olingan yig‘ilmalarni birlashtiruvchi ensemble yondashuvdan foydalanadi. Manbaga ko‘ra, bu strategiya eng yaxshi bitta assembler yondashuviga nisbatan o‘rtacha %78 ko‘proq BGC aniqlagan va ensemble assembly qayta tiklanishni taxminan %25 oshirgan.
Genom bashorati molekulaga qanday bog‘lanadi?
BGC ning topilishi qaysi kimyoviy molekula haqiqatan ishlab chiqarilishini o‘z-o‘zidan ko‘rsatmaydi. Shu sababli Seq2PKS va Seq2Saccharide kabi vositalar genom qidiruvini massa-spektrometriya bilan birlashtiradi. Genomdan ko‘plab mumkin bo‘lgan molekulyar tuzilmalar yaratiladi; so‘ng eksperimental MS signallari ushbu tuzilmalar bilan taqqoslanib, ehtimoliy mosliklar toraytiriladi.
Manbada Seq2PKS monazomycin, oasomycin A va 2-aminobenzamide-actiphenol BGC larini aniqlashda; Seq2Saccharide esa trestatin B ning BGC sini topishda misol sifatida keltiriladi.
Jim va kriptik BGC lar nega muhim?
Mikroorganizm genomida ma’lum tabiiy mahsulotni ishlab chiqarish potensiali bo‘lishi mumkin, biroq tegishli gen klasteri standart laboratoriya sharoitida faol bo‘lmasligi mumkin. Bunday klasterlar “silent” yoki “cryptic” deb ta’riflanadi.
SYNTERUPTOR Streptomyces ambofaciens da oldingi antiSMASH versiyalari topmagan maxsus metabolit gen klasterini aniqlagani va keyinchalik ushbu klaster ikki metabolit biosintezini boshqarishi eksperimental ravishda ko‘rsatilgani hisoblash bashorati va laboratoriya tasdig‘i nega birgalikda zarurligini ko‘rsatuvchi misollardan biridir.
AI bilan tuzilma va bioaktivlikni bashorat qilish
Genom qidiruvidan keyingi ikkinchi katta muammo molekulyar tuzilmalar va biologik faollikni bashorat qilishdir. Manba Random Forest, SVM, gradient boosting, CNN, RNN, GNN, transformer, transfer learning va generativ modellarni turli vazifalarda ko‘rib chiqadi.
BioAct-Het nomli heterogeneous Siamese neural network manbada bioaktivlik bashoratida %88,5 accuracy bilan misol qilinadi. Boshqa modellar AUC, MCC, F1, RMSE, Pearson korrelyatsiyasi yoki hit rate kabi turli metrikalar bilan baholangan. Bu o‘lchovlarning matematik ma’nolari har xil bo‘lgani uchun ular bir xil “muvaffaqiyat” tushunchasining o‘zaro almashtiriladigan sinonimlari emas.
Antimikrob peptid kashfiyoti
AMPlify ikki yo‘nalishli LSTM, multi-head attention va context attention dan foydalanib antimikrob peptid sekvenslarini klassifikatsiya qiladi. Manbada 3338 o‘qitish va 835 test sekvensi bilan %93,71 accuracy, %92,93 sensitivity, %94,49 specificity, %93,66 F1 va %98,37 AUROC qayd etilgan.
Keyinchalik qurbaqa genomidan taklif qilingan 101 sekvensdan 16 peptid sintez qilingan va to‘rtta yangi peptid eksperimental antibakterial faollik ko‘rsatgan. Bu sintez qilinib sinovdan o‘tkazilgan nomzodlar orasida %25 hit rate ga to‘g‘ri keladi.
Bu yerda muhim farq shuki, modelning test to‘plamidagi klassifikatsiya aniqligi bilan laboratoriyada faol topilgan yangi nomzodlarning hit rate ko‘rsatkichi turli o‘lchovlardir.
D-MPNN bilan tabiiy mahsulotlarni virtual skrining qilish
Directed Message-Passing Neural Network modeli Burkholderia cenocepacia ga qarshi 29.537 birikmaning eksperimental skriningidan olingan ma’lumotlarda o‘qitilgan. Dastlabki high-throughput skriningning hit rate i atigi %0,87 bo‘lgan.
Model keyin 1614 FDA tasdiqlangan birikma va 224.205 tabiiy mahsulotni virtual tarzda skriningdan o‘tkazgan; eksperimental baholangan eng yuqori reytingli nomzodlarda mos ravishda %26 va %12 hit rate qayd etilgan. Manba buni boshlang‘ich tasodifiy/eksperimental skriningga nisbatan kamida 14 karra boyitish sifatida talqin qiladi.
Bir milliarddan ortiq molekulani qanday skrining qilish mumkin?
Transfer-learning yondashuvida GNN lar avval keng molekulyar ma’lumotlarda oldindan o‘qitilgan, keyin cheklangan antibakterial faollik ma’lumotlari bilan fine-tune qilingan. Bu model ChemDiv va Enamine manbalaridan olingan bir milliarddan ortiq virtual molekulani tartiblagan.
Eksperimental test uchun 156 nomzod tanlangan; manbada sinovdan o‘tkazilgan nomzodlarning %54 i E. coli ga qarshi MIC ≤10 µg/mL faollik ko‘rsatgani qayd etilgan. Biroq bu %54 ko‘rsatkich bir milliard molekulaning %54 i antibakterial degani emas. Bu model yuqori ehtimolli deb tanlagan kichik, ustuvorlashtirilgan eksperimental kichik to‘plamning hit rate idir.
Yuqori AI Hit Rate Klinik Antibiotik Muvaffaqiyatini Anglatadimi?
Yo‘q. Hit rate hisoblash orqali tanlangan nomzodlarning ma’lum eksperimental testda oldindan belgilangan faollik mezoniga javob beradigan qismini anglatadi; klinik antibiotik muvaffaqiyati esa odamlardagi samaradorlik, xavfsizlik, dozalash, farmakokinetika, farmakodinamika, qarshilik rivojlanishi va klinik natijalar bilan bog‘liq ancha yuqori dalil darajasidir.
Model metrikasi bilan eksperimental faollik o‘rtasidagi farq
Accuracy yoki AUC modelning klassifikatsiya xatti-harakatini, RMSE sonli bashorat xatosini, Pearson korrelyatsiyasi bashorat va haqiqiy qiymat o‘rtasidagi chiziqli munosabatni, hit rate esa tanlangan nomzodlarning qanchasi laboratoriyada faol chiqqanini o‘lchaydi.
Bu o‘lchovlarning hech biri o‘z-o‘zidan odamlarda davolash muvaffaqiyatini ko‘rsatmaydi. Verianla nuqtayi nazaridan to‘g‘ri dalil zanjiri “model skori → eksperimental nomzod → faollik → toksiklik/selektivlik → mexanizm → in vivo tasdiqlash → klinik tadqiqot” tarzida o‘qilishi kerak.
Out-of-distribution muammosi
AI modeli o‘qitish vaqtida ko‘rganiga o‘xshash molekulalarda yuqori natija ko‘rsatib, kimyoviy fazoning ilgari ko‘rmagan hududlarida muvaffaqiyatsiz bo‘lishi mumkin. Manba bu muammoni “unfamiliarity” kabi o‘lchovlar bilan ko‘rib chiqqan tadqiqotlarni keltiradi.
Shuning uchun kimyoviy jihatdan yangi nomzodning model skori yuqori bo‘lsa ham, modelning aynan shu tuzilma sinfida qanchalik ishonchli ekani alohida baholanishi kerak.
Cell Painting va fenotipik ma’lumot
Molekulning faqat kimyoviy tuzilmasidan foydalanish o‘rniga uning hujayralarda hosil qiladigan morfologik fenotiplari ham modelga kiritilishi mumkin. Manbada Cell Painting va kimyoviy tuzilma ma’lumotlarini birgalikda ishlatgan modellar 140 assay bo‘yicha o‘rtacha AUROC 0,744 ± 0,108 bergan; assay larning %62 ida AUROC ≥0,7, %30 ida ≥0,8 va %7 ida >0,9 qayd etilgan.
Bu yondashuv tuzilmaviy o‘xshashlikdan tashqari hujayraviy ta’sirdan ma’lumot chiqarishi mumkin, biroq ishlatilgan assay larning barchasi antibakterial emas. Bu natija tabiiy mahsulot bioaktivligini bashorat qilishning metodologik qamrovini ko‘rsatadi.
Dereplikatsiya Tabiiy Mahsulot Kashfiyotida Nega Kritik Bosqich?
Dereplikatsiya biologik namunada ko‘rilgan kimyoviy signallarning ilgari ma’lum birikmalarga tegishli yoki yo‘qligini imkon qadar erta aniqlab, bir xil molekulani qayta izolyatsiya qilishga ketadigan vaqt va eksperimental resursni kamaytiradi; AI va kemoinformatika bu yerda MS/MS spektrlarini, molekulyar formulalarni, tuzilma nomzodlarini va spektral tarmoqlarni tezroq moslashtirish uchun ishlatiladi.
GNPS va molekulyar tarmoqlar
Global Natural Products Social Molecular Networking (GNPS) o‘xshash MS/MS parchalanish namunalari spektral tarmoqlarda bir-biriga bog‘lab, kimyoviy oilalarni ko‘rinadigan qiladi. Ma’lum spektrga yaqin noma’lum signallar tegishli molekula oilasining qismi sifatida ustuvorlashtirilishi mumkin.
Manbada GNPS dengizdan olingan Streptomyces, suv o‘tlari tadqiqotlari, klinik namunalar, o‘simlik ekstraktlari va mikrobiom metabolomikasi kabi juda turli kontekstlarda ishlatilgan.
SIRIUS va CSI:FingerID
SIRIUS tandem MS ma’lumotlaridan molekulyar formulani bashorat qilsa, CSI:FingerID kimyoviy tuzilishga oid fingerprint xususiyatlarini bashorat qilib, nomzod tuzilma ma’lumotlar bazalarini tartiblashi mumkin.
Manba bu tizimlar katta ma’lumot to‘plamlarida annotatsiya qamrovini oshirishi mumkinligini, ammo yakuniy tuzilmaviy tasdiqlash uchun NMR kabi ortogonal usullarning ahamiyati saqlanishini ta’kidlaydi.
UmetaFlow
UmetaFlow oldindan ishlov berish, spektral moslashtirish, molekulyar formula va tuzilma bashorati hamda GNPS asosidagi keyingi tahlillarni avtomatlashtiradigan workflow dir. Manbadagi validatsiyada 100 actinomycete shtammidan 1245 xom faylga oldindan ishlov berish taxminan 1 soat 12 daqiqa davom etgan; formula va tuzilma bashoratlarini yakunlash esa taxminan 10 kun talab qilgan.
Bu misol AI har doim “zudlik bilan” tahlil degani emasligini ham ko‘rsatadi. Katta DL va kemoinformatika ish oqimlari sezilarli hisoblash infratuzilmasini talab qilishi mumkin.
CSU-MS2 va kontrastiv o‘rganish
CSU-MS2 MS/MS spektrlari bilan molekulyar tuzilmalarni umumiy ifoda fazosida moslashtirish uchun contrastive learning dan foydalanadi. Manbada 1047 spektr 23 ta tuzilma ma’lumotlar bazasidan yig‘ilgan 1.001.047 nomzod molekulaga qarshi baholangan benchmark da Recall@1 %75,45 deb qayd etilgan.
Xuddi shu benchmark da CFM-ID %68,38, SIRIUS %64,85, MetFrag %48,59 va CMSSP %30,47 Recall@1 bergan. Bu natija ma’lum benchmark sharoitlariga tegishli; barcha metabolomik ma’lumot turlarida universal ustunlikni anglatmaydi.
Foundation model yondashuvi
DreaMS millionlab annotatsiyasiz tandem massa spektrlari ustida self-supervised oldindan o‘qitishdan foydalanuvchi transformer asosidagi modeldir. Niqoblangan spektral cho‘qqilar va xromatografik ushlanish tartibini o‘rganib, molekulyar tuzilma ma’lumotini tashuvchi ifodalarni rivojlantirishni maqsad qiladi.
Manba DreaMS Atlas taxminan 201 million MS/MS spektridan iborat ekanini bildiradi. Katta miqyos annotatsiya va o‘xshashlik qidiruvida kuchli imkoniyatlar yaratish bilan birga ma’lumot saqlash va hisoblash talablarini ham oshiradi.
NMR nega hanuz zarur?
MS/MS parchalanishi tuzilma haqida kuchli ma’lumot berishi mumkin, biroq ayniqsa stereokimyo, izomerlarni farqlash va haqiqatan yangi tuzilmalarni aniq tasdiqlashda o‘zi yetarli bo‘lmasligi mumkin. Manba NMR spektroskopiyasini 1D va 2D usullar bilan yakuniy tuzilmaviy tasdiqlashning asosiy vositalaridan biri sifatida saqlaydi.
Shu sababli AI asosidagi tuzilma bashorati eksperimental tuzilma aniqlashning avtomatik o‘rnini bosuvchi emas, balki eksperimental ishni ko‘proq maqsadli qiluvchi ustuvorlashtirish vositasidir.
Metabolomika va genomika nega birgalikda ishlatiladi?
Genom qidiruvi organizm nimalarni ishlab chiqara olishini, metabolomika esa ma’lum sharoitda qaysi molekulalar haqiqatan kuzatilishini ko‘rsatadi. Metabologenomika bu ikki ma’lumot qatlamini bog‘lashga harakat qiladi.
NPClassScore/NPLinker yondashuvi tabiiy mahsulot ontologiyalaridan foydalanib BGC va MS/MS signallari o‘rtasidagi ehtimoliy bog‘lanishlarni tartiblagan. Uchta moslashtirilgan omik ma’lumotlar to‘plamida jami 189 bakterial shtamm bilan o‘tkazilgan validatsiyada nomzod bog‘lanishlar sonini o‘rtacha %63 ga kamaytirar ekan, eksperimental tasdiqlangan bog‘lanishlarning %96 ini saqlab qolgan.
Bu natija nomzod fazosini keskin toraytirishi mumkin, biroq qolgan har bir moslik aniq biologik bog‘lanish degani emas; eksperimental tasdiqlash talab etiladi.
AI yo‘naltirgan maqsadli izolyatsiya
Paulownia tomentosa mevasi ekstraktida LC-UV-HRMS/MS va supervised ML ishlatgan ish oqimi 2687 xususiyatni aniqlagan, ulardan 42 tasini referens standartlar bilan identifikatsiya qilgan, 214 tasini spektral kutubxona bilan annotatsiya qilgan va 1805 MS/MS spektrini prenillangan flavonoid sinfiga ajratgan.
Keyingi ustuvorlashtirish besh birikmaning maqsadli izolyatsiyasiga olib kelgan; ulardan ikkitasi tabiiy manbada yangi tuzilmalar sifatida qayd etilgan. Manba nomzod fazosining 2687 xususiyatdan besh izolyatsiya nishonigacha qisqarishini 537 karra xarakterizatsiya kamayishi deb ifodalaydi.
Bu misol tabiiy mahsulot kashfiyoti metodologiyasining kuchini ko‘rsatadi; bevosita antibakterial klinik samaradorlik tadqiqoti emas.
Generativ sunʼiy intellekt yangi antibiotik loyihalashi mumkinmi?
Generativ modellar o‘qitish ma’lumotlaridagi molekula yoki peptid naqshlarini o‘rganib, ilgari ma’lumotlar bazasida bo‘lmagan nomzod tuzilmalarni taklif qilishi mumkin. Manbada GAN, recurrent modellar va latent diffusion ayniqsa antimikrob peptid dizaynida ko‘rib chiqiladi.
Wang va hamkorlarining latent diffusion yondashuvida 40 nomzod peptid sintez qilingan va 25 tasi (%62,5) antibakterial yoki antifungal faollik ko‘rsatgan. AMP-24 Gram-manfiy bakteriyalarga qarshi, AMP-29 esa Candida glabrata ga qarshi selektiv faollik ko‘rsatgan.
Generativ modelning bir sekvens yaratishi o‘z-o‘zidan davolash nomzodi maqomini bermaydi. Molekula sintez qilinishi, MIC va spektr testlari o‘tkazilishi, gemoliz/sitotoksiklik baholanishi va zarur holatlarda farmakologik tasdiqlashga o‘tilishi kerak.
Tadqiqot Usuli va Natijalari
Ushbu maqolaning o‘zi qaysi usuldan foydalanadi?
Manba tadqiqot yangi eksperimental ma’lumot ishlab chiqarmaydigan keng qamrovli Review maqolasidir. U AMR ning global yuki va molekulyar qarshilik mexanizmlaridan boshlab an’anaviy tabiiy mahsulot kashfiyotidagi to‘siqlar, AI modellari, BGC qidiruvi, virtual skrining, dereplikatsiya, metabolomika–kemoinformatika integratsiyasi va preklinik tasdiqlashgacha tematik sintez yaratadi.
Manbada alohida sistematik qidiruv metodologiyasi, ma’lumotlar bazasini qidirish sanasi, PRISMA oqimi yoki formal kiritish/chiqarish mezonlari qayd etilmagani uchun Verianla maqolasi tadqiqotlarni “sistematik ravishda tanlangan meta-analitik korpus” sifatida taqdim etmaydi.
Manbaning ilmiy arxitekturasi
| Qatlam | Asosiy savol | Manbada ajratib ko‘rsatilgan usullar |
|---|---|---|
| AMR yuki va mexanizmlari | Nega yangi antibakterial vositalar kerak? | Epidemiologik adabiyot, qarshilik mexanizmlari, sinfga xos cheklovlar |
| An’anaviy NPD to‘siqlari | Klassik tabiiy mahsulot kashfiyoti nega sekinlashadi? | Dereplikatsiya, kultivatsiya qilib bo‘lmaydigan organizmlar, jim BGC, xarajat va vaqt |
| AI/ML umumiy doirasi | Qaysi model oilalari qaysi kashfiyot vazifalarida ishlatilishi mumkin? | RF, SVM, KNN, boosting, CNN, RNN, GNN, transformer, RL |
| Genom qidiruvi | Genomdagi yashirin biosintetik potensial qanday topiladi? | DeepBGC, e-DeepBGC, BiGCARP, BGC-Prophet, RFBGCPred, HiFiBGC |
| Tuzilma va faollik bashorati | Qaysi molekulalar eksperimental test uchun ustuvorlashtirilishi kerak? | D-MPNN, transfer learning, attention, GNN, QSAR, Cell Painting |
| Dereplikatsiya | Ma’lum molekula bilan haqiqiy yangilik qanday farqlanadi? | GNPS, SIRIUS, CSI:FingerID, UmetaFlow, FIDDLE, CSU-MS2 |
| Metabolomika–kemoinformatika | Kimyoviy signallar bilan genomik manba qanday bog‘lanishi mumkin? | Metabologenomika, molecular networking, BGC–metabolite linking |
| Generativ dizayn | Yangi molekula yoki AMP nomzodlari yaratilishi mumkinmi? | GAN, til modellari, latent diffusion |
| Eksperimental tasdiqlash | Hisoblash bashorati biologik haqiqatga aylanadimi? | MIC, time-kill, sitotoksiklik, gemoliz, mexanizm va hayvon modellari |
AI Bashoratidan Eksperimental Antibakterial Nomzodga O‘tish Qanday Tasdiqlanadi?
AI bashoratini haqiqiy antibakterial nomzod sifatida baholash uchun hisoblash asosidagi ustuvorlashtirishdan keyin molekulani sintez qilish yoki izolyatsiya qilish, in vitro faollik testi, nishon/selektivlik va toksiklikni baholash, mexanizmni tasdiqlash va mos nomzodlarda in vivo infeksiya modellari talab etiladi; hayvon modelidagi muvaffaqiyat esa hanuz insondagi klinik samaradorlikni anglatmaydi.
P076 tasdiqlash zanjiri
GAN va GCN asosidagi AMPredictor doirasida yaratilgan P001, P002 va P076 peptidlari hisoblash skriningidan eksperimental testga o‘tgan. Model MIC bashoratida RMSE 0,5348 va Pearson korrelyatsiya koeffitsiyenti 0,7072 ni qayd etgan.
Uch peptid sakkiz bakterial shtammga qarshi in vitro faollik ko‘rsatgan. P076 MDR Acinetobacter baumannii ga qarshi MIC 0,21 µM darajasida faollik ko‘rsatgan, lipid A bilan bog‘lanish uchun Kd 56,1 nM qayd etilgan va 70 µM gacha gemoliz <%1 deb bildirilgan.
Sichqon peritoneal MDR A. baumannii infeksiya modelida 2 mg/kg P076 berilgan guruhning 48 soatlik omon qolishi %50 bo‘lgan, PBS va siprofloksatsin nazorat guruhlarida esa %0 bo‘lgan. Peritoneal bakterial yukda taxminan 25 karra kamayish qayd etilgan.
Bu natijalar P076 uchun preklinik eksperimental dalil beradi; inson davosidagi doza, xavfsizlik yoki samaradorlikni belgilamaydi.
FtsZ va OmpW nishonli kashfiyot
Manba nishonga asoslangan AI kashfiyotiga ikki xil misol beradi. Bir tadqiqotda FtsZ oqsiliga yo‘naltirilgan virtual skrining T3995 nomli nomzodni ustuvorlashtirishga olib kelgan. Boshqa tadqiqotda QSAR va structure-based screening A. baumannii ning tashqi membrana oqsili OmpW ni nishonga oluvchi demethoxycurcumin ni tanlagan.
OmpW yetishmaydigan mutant bilan o‘tkazilgan tasdiqlash bashorat qilingan nishon bog‘lanishini sinash uchun ayniqsa qimmatli. Bunday genetik yoki molekulyar nazoratlar faqat “birikma bakteriyani o‘ldirdi” degan xulosadan kuchliroq mexanistik ma’lumot beradi.
In vivo tasdiqlash misollari
Sharhda P12 ning sichqon S. aureus yara infeksiyasi modelidagi samaradorligi va 400 mg/kg gacha asosiy organlarda past toksiklik; EME7(7) ning sichqon A. baumannii pnevmoniya modelidagi samaradorligi va buyrak shikastini keltirib chiqarmasligi; AMP-24 va AMP-29 ning teri va o‘pka infeksiya modellaridagi faolligi kabi preklinik misollar keltiriladi.
Bular inson klinik tadqiqotlari emas. Sichqon modelida samarali bo‘lgan nomzod so‘rilish, taqsimlanish, metabolizm, dozalash, toksiklik va inson patofiziologiyasi nuqtayi nazaridan alohida baholanishi kerak.
Halicin misoli
Halicin mavjud molekula kutubxonasini chuqur o‘rganish bilan qayta skrining qilish natijasida antibakterial faolligi ustuvorlashtirilgan tuzilishi jihatidan farqli molekuladir. Manbada uning keng bakterial spektrdagi in vitro faolligi va C. difficile hamda pan-qarshilikka ega A. baumannii sichqon modellaridagi samaradorligi keltiriladi.
Bu holat AI faqat mavjud antibiotiklarga o‘xshash tuzilmalarni qidirishi shart emasligini va turli kimyoviy skeletlarni ustuvorlashtira olishini ko‘rsatadi. Biroq halicin misoli AI topgan barcha molekulalar klinik ishlab chiqish bosqichiga muvaffaqiyatli yetib boradi degani emas.
Hit rate qanchalik oshishi mumkin?
| Yondashuv | Boshlang‘ich / nomzod fazosi | Eksperimental natija | Talqin chegarasi |
|---|---|---|---|
| D-MPNN, B. cenocepacia | Dastlabki 29.537 birikmada %0,87 hit; keyin FDA dorilari va 224.205 tabiiy mahsulotning virtual skriningi | Tanlangan nomzodlarda taxminan %26 va %12 hit | Tanlangan nomzod kichik to‘plamining laboratoriya natijasi |
| Transfer-learning GNN | >1 milliard virtual molekula | Eksperimental sinovdan o‘tkazilgan nomzodlarda %54 E. coli faolligi | Bir milliard molekulaning %54 i faol degani emas |
| Latent diffusion AMP | 40 sintez qilingan nomzod | 25/40 (%62,5) antibakterial yoki antifungal faollik | In vitro hit; klinik dori muvaffaqiyati emas |
| AMPlify | 101 nomzoddan 16 sintez qilingan peptid | 4 faol yangi AMP; sintez qilinganlarda %25 hit | Peptid kashfiyoti kontekstiga xos |
Tushuntiriladigan AI nega muhim?
Modelning yuqori bashorat kuchi qaysi molekulyar xususiyat faollikni yuzaga keltirishini tushuntirmasligi mumkin. SHAP va o‘xshash tushuntiriladigan AI vositalari aminokislota, molekulyar fragment, fizik-kimyoviy xususiyat yoki boshqa kirishlarning model qaroriga qo‘shgan hissasini ko‘rinadigan qilishi mumkin.
Manba LLAMP misolida triptofan, lizin va fenilalanin kabi aminokislota qoldiqlarining AMP faolligidagi ahamiyati interpretatsiya tahlili bilan aniqlangani va bu ma’lumot peptid optimallashtirishda ishlatilganini keltiradi.
Biroq xususiyat atribusiyasi sababiylikning eksperimental isboti emas. Xususiyat haqiqatan ta’sir mexanizmining bir qismi yoki yo‘qligi mustaqil biologik tasdiqlash bilan baholanishi kerak.
Manba rasmlarining ilmiy funksiya xaritasi
| Rasm guruhi | Ilmiy mazmun | Verianla uchun mos qayta ifodalash shakli |
|---|---|---|
| Rasm 1–2 | Compound–protein interaction va meta-learning misollari | AI bioaktivlik bashoratining konseptual izohi |
| Rasm 3–7 | BGC aniqlash, metagenomik assembly, tuzilma bashorati va workflow | Genomdan BGC gacha jarayon sxemasi |
| Rasm 8–12 | AMP, D-MPNN, oldindan o‘qitish, ultra-katta skrining va fenotipik bashorat | Virtual skrining va nomzodlarni ustuvorlashtirish oqimi |
| Rasm 13–20 | GNPS, SIRIUS, UmetaFlow va MS asosidagi dereplikatsiya | Spektrdan molekula nomzodigacha ish oqimi |
| Rasm 21–24 | Metabolomika–kemoinformatika va maqsadli izolyatsiya | Namunadan analitik xususiyat va maqsadli izolyatsiyagacha oqim |
| Rasm 25–26 | ML va latent diffusion bilan AMP yaratish | Peptid dizayni → filtrlash → tasdiqlash liniyasi |
Tadqiqot qo‘llab-quvvatlaydigan xulosalar
Sharh AI tabiiy mahsulot va antibakterial kashfiyotning ko‘plab bosqichlarida nomzod fazosini toraytira olishini, katta genom to‘plamlarida BGC larni ustuvorlashtira olishini, bioaktivlik va molekulyar tuzilma bashoratlarini yaxshilashi, dereplikatsiyani tezlashtirishi va ayrim tanlangan tadqiqotlarda yuqori eksperimental hit darajasiga ega nomzodlarni taqdim eta olishini qo‘llab-quvvatlaydi.
Shuningdek, genomik, metabolomik va massa-spektrometriya ma’lumotlarini birgalikda ishlatish orqali genomdagi biosintetik potensial bilan kuzatilgan kimyoviy molekula o‘rtasida kuchliroq bog‘lanishlar qurish mumkinligini ko‘rsatadi.
Manba ayrim AI ustuvorlashtirgan antimikrob nomzodlar faqat in silico bosqichida qolmaganini; in vitro faollik, sitotoksiklik/gemoliz, nishon mexanizmi va sichqon infeksiya modellarigacha yetib borgan tasdiqlash misollari borligini ham qo‘llab-quvvatlaydi.
Tadqiqot qo‘llab-quvvatlamaydigan xulosalar
Sharh AI antibiotik ishlab chiqish muammosini hal qilganini yoki modelning yuqori accuracy/AUC qiymati klinik jihatdan muvaffaqiyatli yangi antibiotikni anglatishini isbotlamaydi.
Manbadagi %50 dan yuqori hit darajalari barcha AI tizimlari, barcha kimyoviy kutubxonalar yoki barcha bakteriyalar uchun umumiy muvaffaqiyat darajasi emas. Ular turli tadqiqotlarning tanlangan eksperimental tasdiqlash natijalaridir.
Hayvon modellaridagi samaradorlik inson klinik samaradorligi emas. In vitro MIC qiymati inson dozini belgilamaydi. Molekula yoki peptid yaratish dori tasdiqlanganini anglatmaydi.
Sharh formal sistematik adabiyot tanlovi va risk-of-bias bahosini hisobot qilmagani uchun keltirilgan muvaffaqiyatli misollar butun AI–antibakterial kashfiyot adabiyotidagi o‘rtacha natijani ifodalaydi degan xulosaga kelib bo‘lmaydi.
Manbaning o‘z xulosa bo‘limida ham model takrorlanuvchanligi, standartlashtirilgan benchmark yetishmasligi, ijobiy natijalarga yo‘naltirilgan nashr tarafkashligi va ma’lumot sifati muammolari AI natijalarini aslidan ortiq optimistik ko‘rsatishi mumkinligi ta’kidlanadi.
Kelajakda qaysi qadamlar zarur?
Manbaning kelajak istiqboli keng va yaxshi kuratsiya qilingan ma’lumotlar to‘plamlari, ochiq model/kod almashinuvi, standartlashtirilgan benchmark lar, foundation modellar, yaxshiroq out-of-distribution ishonch o‘lchovi, genomika–transkriptomika–metabolomika ko‘p qatlamli ma’lumot integratsiyasi va AI bashoratlarini eksperimental tasdiqlash bilan mustahkam bog‘lashga qaratilgan.
Ayniqsa in vitro faollik bilan klinik samaradorlik o‘rtasidagi bo‘shliqni yopish uchun farmakokinetika, farmakodinamika, to‘qima taqsimoti, mezbon immuniteti va in vivo xavfsizlik ma’lumotlarini kelajak bashorat modellariga tizimliroq kiritish kerak.
Manba va Usul Haqida Izoh
Asl tadqiqot: Combating Antibacterial Resistance: The Integrative Role of Artificial Intelligence in Bio-Based Product Development
Mualliflar: Renuka Gudepu; Swapna Sirikonda; Ravinaik Banoth; Praveen Kumar Annagowni; Swati Dahariya; Aditya Velidandi.
Mas’ul muallif: Aditya Velidandi.
Muassasalar: Department of Microbiology, Pingle Government College for Women (A), Warangal; Department of Pharmaceutics, School of Pharmacy, Anurag University, Hyderabad; Department of Mechanical Engineering, St. Martin's Engineering College, Secunderabad; Department of Pharmaceutical Sciences, Jawaharlal Nehru Technological University, Anantapur; Department of Biochemistry, School of Life Sciences, University of Hyderabad; Department of Biotechnology, Vaagdevi Degree and P.G. College, Warangal, India.
Jurnal: Antibiotics.
Nashriyot: MDPI, Basel, Switzerland.
Nashr ma’lumotlari: 2026; jild 15; son 5; maqola 478. Nashr sanasi: 8 May 2026.
DOI: 10.3390/antibiotics15050478
Manba turi: Taqrizdan o‘tgan, ochiq kirishli Review maqolasi. Maqolada alohida sistematik adabiyot qidiruvi usuli, PRISMA oqimi yoki formal kiritish/chiqarish protokoli bo‘lmagani uchun Verianla mazmunida narrativ/keng qamrovli sharh sifatida ko‘rib chiqilgan.
Litsenziya: Creative Commons Attribution (CC BY).
Manba qamrovi: AMR yuki; molekulyar qarshilik mexanizmlari; mavjud antibiotik sinflarining cheklovlari; an’anaviy tabiiy mahsulot kashfiyotining to‘siqlari; ML/DL usullari; AI yordamidagi BGC qidiruvi; molekulyar tuzilma va faollik bashorati; virtual skrining; dereplikatsiya; metabolomika va kemoinformatika; metabologenomika; generativ model asosidagi AMP dizayni; in vitro va in vivo tasdiqlash.
Manbada yangi tajriba: Yo‘q. Maqola avval chop etilgan tadqiqot natijalarini sintez qiladi.
Yangi ma’lumot: Yaratilmagan yoki tahlil qilinmagan.
Etika kengashi: Qo‘llanilmaydi.
Xabardor rozilik: Qo‘llanilmaydi.
Moliyalashtirish: Tashqi moliyalashtirish olinmagan.
Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi haqida xabar bermagan.
Muallif hissalari: Konseptualizatsiya Renuka Gudepu va Swapna Sirikonda; dastlabki qoralama, ko‘rib chiqish/tahrirlash va vizualizatsiya barcha olti muallif; supervisiya Aditya Velidandi tomonidan bajarilgan.
Yozuv vositasi bayonoti: Mualliflar Grammarly dan o‘qiluvchanlik va gap tuzilishini yaxshilash uchun foydalanganlarini; natijani o‘zlari ko‘rib chiqib tahrirlaganlarini va nashr mazmuni uchun to‘liq javobgarlikni o‘z zimmalariga olganlarini bildirgan.
Manba ichidagi epidemiologik izoh: Abstract dagi taxminan 4,95 million o‘lim iborasi Verianla matnida Jadval 1 dagi aniqroq farq bilan talqin qilingan: taxminan 4,95 million o‘lim AMR bilan bog‘liq, taxminan 1,27 million o‘lim esa bevosita qarshilikka ega infeksiyalarga taalluqli deb qayd etiladi. Bu ikki o‘lchov bir xil ma’noni anglatmaydi.
Asosiy metodologik cheklovlar: Manba formal sistematik sharh metodologiyasini hisobot qilmaydi. Kiritilgan misollar model arxitekturasi, ma’lumot manbai, vazifa, metrika, tasdiqlash darajasi va terapevtik soha jihatidan juda heterogen. Ayrim metodologik misollar bevosita antibakterial kashfiyotdan emas, kengroq tabiiy mahsulot va bioaktivlikni bashorat qilish adabiyotidan olingan. Shu sababli natija qiymatlarini umumiy meta-analitik xulosa sifatida birlashtirib bo‘lmaydi.
Manbaning o‘z AI cheklovlari: Kod va o‘qitilgan modellar har doim ochiq bo‘lmasligi, standart benchmark yetishmasligi, ijobiy natijalarga yo‘naltirilgan nashr tarafkashligi, yetishmaydigan yoki nomuvofiq bioaktivlik annotatsiyalari, tajriba sharoitlarining to‘liq berilmasligi va ommaviy ma’lumotlar bazalaridagi xato yoki takroriy yozuvlar takrorlanuvchanlik va umumlashtirishni cheklaydi.
Verianla bayon usuli: Ushbu mazmun asl maqolaning abstract yoki conclusion bo‘limining yaqin tarjimasi emas. Manbadagi AMR mexanizmlari, tabiiy mahsulot kashfiyotining to‘siqlari, AI model oilalari, BGC qidiruvi, virtual skrining, dereplikatsiya, metabolomika–kemoinformatika, generativ AMP dizayni, Figure 1–26 ning ilmiy vazifalari, natija metrikalari, eksperimental tasdiqlash va cheklovlar alohida ilmiy qatlamlarga ajratilib, o‘rgatuvchi O‘zbekcha tuzilma ichida qayta tashkil etilgan.
Talqin chegarasi: Bu yerda keltirilgan AI natijalari yoki antibakterial nomzod ma’lumotlari individual bemor uchun antibiotik tanlash yoki davolash tavsiyasi emas. Model aniqligi, in vitro faollik va hayvon modelidagi samaradorlik inson klinik samaradorligini o‘rnini bosa olmaydi.
Izoh qoldiring
E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan