Sunʼiy intellekt yordamida dori vositalarini qayta maqsadlash (AI-driven drug repurposing) — ilgari tasdiqlangan yoki tadqiqot bosqichidagi dorilarning yangi antimikrob qoʻllanish sohalarini maʼlumotlardagi naqshlarni oʻrganuvchi algoritmlar bilan bashorat qilish yoki ustuvorlashtirishni maqsad qiladigan hisoblashga asoslangan dori ishlab chiqish yondashuvidir. Ushbu sharh koʻp dori vositalariga chidamli (multidrug-resistant, MDR) bakterial infeksiyalarda mashinaviy oʻrganish, chuqur oʻrganish, graf neyron tarmoqlari va tabiiy tilni qayta ishlashning rolini; tarmoq farmakologiyasi, molekulyar docking va molekulyar dinamika kabi AI ga yaqin usullardan ajratgan holda baholaydi. Tadqiqot yangi model yoki yangi tajribaviy maʼlumot yaratmaydi; 2020-yil yanvaridan 2026-yil sentabrigacha boʻlgan adabiyotlarni PubMed/MEDLINE, Scopus va Web of Science orqali koʻrib chiqadi va tanlangan dori misollarida AI ning haqiqiy rolini hamda dalil darajasini tanqidiy tarzda tasniflaydi.

Sharhning eng muhim xulosasi shuki, “hisoblash usuli qoʻllanildi” va “dori AI tomonidan kashf qilindi” degan iboralar bir xil maʼnoni anglatmaydi. Koʻrib chiqilgan misollar orasida halicin antibakterial faolligi chuqur oʻrganish modeli tomonidan ustuvorlashtirilgan aniq AI-kashfiyoti misolidir. Bunga qarshi ravishda auranofin, fenotiazinlar, disulfiram, sertralin va klofazimin uchun antibakterial faollik kashf etilishida tasdiqlangan AI roli koʻrsatilmagan. Ushbu dorilarning antimikrob xususiyatlari tajribaviy tadqiqotlar yoki klinik qoʻllanish orqali avvaldan maʼlum edi.

Dalil darajasi nuqtayi nazaridan halicin uchun sharhda hisoblashga asoslangan AI, in vitro va sichqon modeli dalillari mavjud, biroq klinik samaradorlik dalili yoʻq. Auranofin, fenotiazinlar, disulfiram va sertralin ushbu sharhda asosan in vitro dalillar bilan qoʻllab-quvvatlanadi. Klofazimin klinik jihatdan moxov va koʻp dori vositalariga chidamli sil rejimlarida ishlatiladigan dori; biroq bu klinik qoʻllanish AI tomonidan kashf qilingan antibakterial qayta maqsadlash emas.

Sharh, shuningdek, AI modellarining aniqligini baholashda random train–test split, maʼlumot sizib chiqishi, sinflar nomutanosibligi, yangi kimyoviy skeletlarga umumlashtirish va tashqi validatsiya muammolariga eʼtibor qaratadi. Random boʻlinishda bir-biriga juda oʻxshash molekulalar ham trening, ham test guruhiga tushishi mumkinligi sababli natija amaldagidan yuqoriroq koʻrinishi mumkin. Scaffold-based yoki vaqtga asoslangan boʻlinish ilgari koʻrilmagan kimyoviy sinflarga umumlashtirishni yanada real tarzda sinaydi.

Manbaning asosiy translatsion xabari shuki: AI modeli yuqori ball bergan birikma hali dori emas. Hisoblash orqali tanlangan nomzodning haqiqiy qiymati standartlashtirilgan in vitro sezgirlik testlari, sitotoksiklik, zarur boʻlsa mexanizm tadqiqotlari, hayvon modellari, farmakokinetik/farmakodinamik baholash va nihoyat nazorat qilinadigan klinik tadqiqotlar orqali koʻrsatilishi kerak. Ayniqsa infeksiya joyida xavfsiz dozalar bilan yetarli erkin dori konsentratsiyasiga erishib boʻlmasa, kuchli in vitro faollik klinik jihatdan foyda bermasligi mumkin.

Sharhning oʻz metodologik chegarasi ham muhim. Mualliflar uchta asosiy bibliografik maʼlumotlar bazasi va adabiyotlar roʻyxatini qoʻlda tekshirishni bayon qiladi; biroq PRISMA oqimi, toʻliq qidiruv satrlari, skrining/chiqarib tashlash sonlari, ikki mustaqil baholovchi jarayoni yoki formal risk-of-bias usuli haqida hisobot berilmagan. Shu sababli tadqiqot sistematik sharh yoki meta-tahlil sifatida emas, balki tuzilmali adabiyot qidiruviga asoslangan tanqidiy sharh sifatida talqin qilinishi kerak.

Sunʼiy Intellekt Yordamida Dori Vositalarini Qayta Maqsadlash Nima?

Sunʼiy intellekt yordamida dori vositalarini qayta maqsadlash — mavjud tasdiqlangan yoki tadqiqot bosqichidagi birikmalarning yangi antimikrob qoʻllanish sohalarini bashorat qilish yoki ustuvorlashtirish uchun maʼlumotlardan statistik yoki reprezentativ naqshlarni oʻrganuvchi mashinaviy oʻrganish, chuqur oʻrganish, graf neyron tarmoqlari va tabiiy tilni qayta ishlash kabi usullardan foydalanishdir; manba molekulyar docking, molekulyar dinamika va tarmoq farmakologiyasini hisoblashga asoslangan, biroq oʻz-oʻzidan majburiy ravishda AI boʻlmagan alohida usul sinflari sifatida koʻrib chiqadi.

Dori vositalarini qayta maqsadlash nega muhim?

Yangi antibiotikni noldan ishlab chiqish uzoq, qimmat va muvaffaqiyatsizlik darajasi yuqori boʻlgan jarayondir. Dori vositalarini qayta maqsadlash boshqa maqsad uchun tasdiqlangan yoki ilgari oʻrganilgan birikmalarning yangi qoʻllanish sohalarini aniqlashga harakat qiladi. Ushbu yondashuvning asosiy afzalligi shundaki, ayrim nomzodlar uchun xavfsizlik, farmakokinetika, formulatsiya va ishlab chiqarish maʼlumotlari allaqachon mavjud boʻlishi mumkin.

Bu afzallik “yangi koʻrsatma avtomatik ravishda xavfsiz” degani emas. Antibakterial taʼsir uchun zarur konsentratsiya dori eski koʻrsatmasida qoʻllanilgan konsentratsiyadan ancha yuqori boʻlishi mumkin. Shuning uchun mavjud xavfsizlik maʼlumoti erta rivojlantirish xavfini kamaytirishi mumkin boʻlsa-da, yangi infeksiya koʻrsatmasi uchun samaradorlik va xavfsizlik qayta baholanishi shart.

Antimikrob chidamlilik nega bunday kritik kontekst yaratadi?

Sharh keltirgan global tahlillarga koʻra, bakterial antimikrob chidamlilik 2021-yilda taxminan 1,14 million oʻlimga bevosita sabab boʻlgan va 4,71 million oʻlim bilan bogʻliq deb topilgan. 2050-yil uchun yillik bevosita bogʻlanishi mumkin boʻlgan oʻlim prognozi 1,91 millionni tashkil etadi. Bular ushbu sharhning oʻz epidemiologik oʻlchovlari emas, balki sharh havola qilgan global tadqiqotlarning natijalaridir.

Mualliflar WHO Bacterial Priority Pathogens List 2024 doirasidan foydalanib, ayniqsa karbapenemga chidamli Acinetobacter baumannii, uchinchi avlod sefalosporin yoki karbapenemga chidamli Enterobacterales, rifampitsinga chidamli Mycobacterium tuberculosis, karbapenemga chidamli Pseudomonas aeruginosa, metitsillinga chidamli Staphylococcus aureus va vankomitsinga chidamli Enterococcus faecium kabi chidamlilik fenotiplarini taʼkidlaydi.

Qayta maqsadlangan dori bakteriyaga qanday taʼsir qilishi mumkin?

Sharh uchta umumiy taʼsir shaklini muhokama qiladi. Birinchi yoʻl toʻgʻridan-toʻgʻri antibakterial taʼsirdir: birikma bakteritsid yoki bakteriostatik taʼsir koʻrsatishi mumkin. Ikkinchi ehtimol mezbon javobini oʻzgartiruvchi host-targeted taʼsirlar; manba bular bakterial infeksiyalarda toʻgʻridan-toʻgʻri yoki sinergik antibakterial taʼsirga qaraganda kamroq shakllanganini bildiradi. Uchinchi yoʻl mavjud antibiotiklarning samaradorligini oshiruvchi sinergiyadir; masalan, ayrim fenotiazinlar S. aureus efluks nasoslari faolligini kamaytirishi mumkin.

Biroq efluks ingibitsiyasi barcha antibiotik sinflaridagi sinergiyani tushuntirmaydi. Manba, ayniqsa β-laktam chidamliligida β-laktamazalar va oʻzgargan penicillin-binding proteinlar muhim ekanini, shu sababli fenotiazinlar β-laktam taʼsirini oshirsa, mexanizm alohida koʻrsatilishi kerakligini taʼkidlaydi.

Molekulyar Docking va Tarmoq Farmakologiyasi Nega Ushbu Sharhda Bevosita AI Hisoblanmaydi?

Sharh molekulyar docking va molekulyar dinamikani fizikaga asoslangan skorlashga, klassik QSAR ni qoʻlda belgilangan molekulyar deskriptorlarga va tarmoq farmakologiyasini kuratsiya qilingan oʻzaro taʼsir tarmoqlariga asoslangan hisoblash usullari sifatida tasniflaydi; bu usullar mashinaviy oʻrganish bilan birlashtirilishi mumkin, biroq oʻz-oʻzidan maʼlumotlardan oʻrganilgan reprezentatsiyalarga asoslangan AI usullari emas.

Mashinaviy oʻrganish

Mashinaviy oʻrganish (machine learning, ML) maʼlum faol va nofaol birikmalardan tuzilgan strukturali maʼlumotlar toʻplamidan molekulyar xususiyat–faollik munosabatlarini oʻrganishi mumkin. Sharhda random forest, support vector machine va gradient boosting misollari keltiriladi.

ML ning afzalliklaridan biri xususiyatlar muhimligi tahlillari orqali qaysi molekulyar xususiyatlar bashoratga hissa qoʻshayotganini koʻrish mumkinligidir. Bunga qarshi ravishda maʼlumotlar toʻplami tarafkashligi, sinflar nomutanosibligi va maʼlumot sizib chiqishi haddan tashqari moslashishga hamda yangi kimyoviy sinflarga yomon umumlashtirishga olib kelishi mumkin.

Chuqur oʻrganish

Chuqur oʻrganish (deep learning, DL) koʻp qatlamli neyron tarmoqlar yordamida murakkab molekulyar va biologik reprezentatsiyalarni oʻrganadi. Manba CNN, RNN va transformer arxitekturalarini tilga oladi.

Chuqur oʻrganishning kuchli tomoni qoʻlda xususiyat loyihalash ehtiyojini kamaytirib, yuqori oʻlchamli naqshlarni oʻrgana olishidir. Eng muhim kamchiligi esa qaror nima sababdan qabul qilinganini koʻpincha oson tushuntirib boʻlmasligidir. Shu sababli attention visualisation va SHAP kabi izohlanadigan AI yondashuvlari regulyator ishonchi nuqtayi nazaridan muhim boʻlib bormoqda.

Graf neyron tarmoqlari

Graf neyron tarmoqlari (graph neural networks, GNNs) molekulalarni atomlar tugun, kimyoviy bogʻlar esa qirra boʻlgan graflar sifatida ifodalaydi. Shu tariqa molekula topologiyasi va atomlar oʻrtasidagi munosabatlar bevosita model kirishiga aylanadi.

Sharh GNN lar yangi antibakterial kimyoviy sinflarni ustuvorlashtira olishini, biroq ilgari koʻrilmagan scaffold larga umumlashtirish hanuz qiyinligini bildiradi. Random split dagi natija scaffold split dagidan yuqori boʻlishi mumkinligi ushbu muammoning muhim belgilaridan biridir.

Tarmoq farmakologiyasi

Tarmoq farmakologiyasi (network pharmacology) dori–nishon–kasallik munosabatlarini tizim darajasida oʻrganadi. Protein–protein oʻzaro taʼsir tarmoqlari, gen ekspressiyasi va biologik yoʻllar birlashtirilib, koʻp nishonli taʼsirlar yoki ehtimoliy sinergiyalar oʻrganilishi mumkin.

Manba ushbu yondashuvni AI-adjacent sifatida tasniflaydi. Tarmoqni qurish va skorlash oʻz-oʻzidan mashinaviy oʻrganish emas; biroq bu tarmoqlar keyinchalik ML modellari uchun kirish sifatida berilishi mumkin.

Tabiiy tilni qayta ishlash

Tabiiy tilni qayta ishlash (natural language processing, NLP) maqolalar, klinik tadqiqot qaydlari va patentlar kabi strukturali boʻlmagan matnlardagi dori–patogen, dori–nishon va nojoʻya taʼsir munosabatlarini ajratib olishga harakat qiladi.

Sharh BioBERT kabi transformer asosidagi biotibbiy til modellaridan obyektlarni tanish va munosabatlarni ajratib olish uchun foydalanish mumkinligini bildiradi. Asosiy muammolar terminologiyani standartlashtirish, yetishmayotgan maʼlumotlar va matndan ajratib olingan bilimni tajribaviy maʼlumotlar bilan birlashtirishdir.

Maʼlumot manbalari qaysi turlardan iborat?

Sharh AI asosidagi dori vositalarini qayta maqsadlashda bitta maʼlumot turi yetarli emasligini taʼkidlaydi. Kimyoviy maʼlumotlar bazalari molekula tuzilmalari va biologik faollik qiymatlarini; genomik va biologik manbalar gen ekspressiyasi, oqsillar va ularning oʻzaro taʼsirlarini; klinik va real dunyo manbalari esa doza, xavfsizlik, klinik natija va nojoʻya hodisa maʼlumotlarini taqdim etishi mumkin.

Manba DrugBank, ChEMBL, PubChem, ZINC va Protein Data Bank kabi kimyoviy/strukturaviy manbalarni; Gene Expression Omnibus, Sequence Read Archive, UniProt va BioGRID kabi biologik manbalarni misol sifatida keltiradi.

Turli platformalardan keladigan maʼlumotlar oʻlchov birliklari, tajriba protokollari, yetishmayotgan qiymatlar va yorliq sifati jihatidan geterogendir. Shuning uchun katta maʼlumotlar toʻplami oʻz-oʻzidan ishonchli model degani emas; maʼlumotlarni standartlashtirish va kuratsiya model ishonchliligining asosiy qismidir.

Random split nega chalgʻituvchi boʻlishi mumkin?

Kimyoviy maʼlumotlar toʻplamida juda oʻxshash molekulalar ham trening, ham test guruhida boʻlsa, model aslida yangi kimyoni umumlashtirish oʻrniga treningda koʻrgan tuzilmalarning yaqin analoglarini tanishi mumkin. Bu holatda test balli yuqori koʻrinadi, biroq modelning butunlay yangi kimyoviy skeletdagi xatti-harakati nomaʼlum qoladi.

Sharhda tavsiya qilingan qatʼiyroq variantlardan biri Bemis–Murcko scaffold asosidagi boʻlinishdir. Ushbu yondashuv butun kimyoviy seriyalarni test tomoniga ajratib, strukturaviy jihatdan yangiroq birikmalarga umumlashtirishni sinaydi. Vaqtga asoslangan split esa eski maʼlumotlarda oʻqitib, keyinroq paydo boʻlgan maʼlumotlarda test qilish orqali haqiqiy foydalanish ssenariysiga yaqinroq baholashni taʼminlashi mumkin.

Data leakage nima?

Data leakage — test toʻplamiga oid maʼlumotning bevosita yoki bilvosita model treningiga sizib kirishidir. Sharh duplicate yoki near-duplicate molekulalar, ayni birikmaning tuz yoki tautomer variantlari hamda butun maʼlumotlar toʻplamida xususiyat tanlash yoki giperparametr optimallashtirishni misol sifatida keltiradi.

Leakage boʻlganda model haqiqiy umumlashtirish qobiliyatini emas, test maʼlumotiga oid bilimdan qanchalik foydalanganini koʻrsatadi. Shu sababli molekulalarni standartlashtirish, deduplikatsiya va trening–validatsiya–test ajratilishini modelni ishlab chiqish davomida saqlash kerak.

Class imbalance nega accuracy qiymatini chalgʻitishi mumkin?

Antibakterial skrininglarda minglab nofaol birikmaga nisbatan juda oz faol birikma boʻlishi mumkin. Bunday maʼlumotlar toʻplamida model deyarli barcha namunani “nofaol” deb bashorat qilib, yuqori accuracy ga erishishi mumkin, biroq haqiqiy faol birikmalarni topa olmasligi mumkin.

Shu sababli manba precision–recall egri chiziqlari, enrichment metrikalari va kalibrlangan ehtimollarni mos resampling yoki cost-sensitive learning bilan birga baholashni tavsiya qiladi. Ayniqsa keskin nomutanosib maʼlumotlar toʻplamida ROC-AUC ning oʻzi yetarli deb qaralmasligi kerak.

Tashqi va prospektiv validatsiya nega zarur?

Retrospektiv kross-validatsiya model ilgari toʻplangan maʼlumot ichida qanday ishlashini koʻrsatadi. Tashqi validatsiya esa modelning treningda umuman ishlatilmagan mustaqil maʼlumotlar toʻplamidagi natijasini sinaydi.

Kuchliroq bosqich prospektiv testdir: model oldindan nomzodlarni tanlaydi va keyinchalik ushbu nomzodlar haqiqatan laboratoriyada sinovdan oʻtkaziladi. Manba nechta birikma tanlangani, nechtasi laboratoriyada tasdiqlangani va haqiqiy hit nisbati hisobotda berilishini hisoblash daʼvosining ishonchliligi uchun muhim deb hisoblaydi.

Halicin Nega Boshqa Holat Dorilaridan Farq Qiladi?

Halicin ushbu sharhda antibakterial maqsad uchun bevosita chuqur oʻrganish modeli yordamida ustuvorlashtirilgani tasdiqlangan yagona holat misolidir; auranofin, fenotiazinlar, disulfiram, sertralin va klofaziminning antibakterial xususiyatlari esa tajribaviy skrining yoki klinik qoʻllanish orqali AI dan mustaqil ravishda avvaldan maʼlum edi.

Halicin

Halicin dastlab diabet kontekstida oʻrganilgan c-Jun N-terminal kinase ingibitori edi. Keyinchalik oʻsishni ingibitsiya qilish maʼlumotlari bilan oʻqitilgan directed message-passing neural network modeli Drug Repurposing Hub ga qoʻllanib, antibakterial nomzod sifatida ustuvorlashtirilgan.

Sharh keltirgan dalillarga koʻra, halicin turli bakteriyalarga qarshi in vitro faollik koʻrsatgan; Mycobacterium tuberculosis va karbapenemga chidamli Enterobacteriaceae shular jumlasidandir. Bundan tashqari pan-resistant Acinetobacter baumannii yara modeli va Clostridioides difficile uchun sichqon modellarida samaradorlik xabar qilingan.

Manba halicin mexanizmini bakterial proton motive force ning ΔpH komponenti buzilishi bilan bogʻlaydi. Bu mexanizm manbada halicin uchun xabar qilingan mexanizmdir; Verianla bundan boshqa yangi molekulyar nishon chiqarmaydi.

Eng muhim cheklov klinikdir: sharh halicin uchun odamlarda klinik samaradorlik dalili mavjud emasligini bildiradi. Tizimli qoʻllanish uchun zarur farmakokinetika, toksiklik va formulatsiya tadqiqotlari yakunlanishi kerak.

Auranofin

Auranofin revmatoid artrit uchun tasdiqlangan, tarkibida oltin boʻlgan dori vositasidir. Gram-musbat bakteriyalarda, ayniqsa MRSA ni oʻz ichiga olgan ayrim turlarda bakteritsid faollik koʻrsatishi va thiol-redox homeostasis ni buzishi, thioredoxin reductase ingibitsiyasi ushbu mexanizmga hissa qoʻshishi xabar qilingan.

Sharhning muhim tuzatishi shuki: auranofinning antibakterial taʼsiri AI tomonidan kashf qilinganini koʻrsatadigan tasdiqlangan tadqiqot topilmagan. Shu sababli auranofinni “AI-discovered antibacterial” sifatida taqdim etmaslik kerak.

Fenotiazinlar

Chlorpromazine va thioridazine kabi fenotiazinlar antipsixotik sifatida ishlab chiqilgan. S. aureus da multidrug efflux-pump faolligini bostira olishi avvalroq tajribaviy ravishda koʻrsatilgan.

Manba bu taʼsir zamonaviy AI davridan oldin maʼlum boʻlganini taʼkidlaydi. Shuningdek, efluks ingibitsiyasi β-laktam sinergiyasini avtomatik ravishda tushuntirmasligini, chunki β-laktam chidamliligida β-laktamazalar va oʻzgargan penicillin-binding proteinlar asosiy rol oʻynashi mumkinligini bildiradi.

Disulfiram

Disulfiram uzoq vaqtdan beri alkogolga qaramlikni davolashda ishlatiladigan dori. Manba M. tuberculosis ga qarshi misga bogʻliq sinergik bakteritsid taʼsirni in vitro dalil sifatida keltiradi.

Ushbu faollik AI bashorati bilan kashf qilingani tasdiqlanmagan. Shuningdek, samarali toʻqima konsentratsiyasiga erishish paytida mis bilan bogʻliq toksiklikni cheklash zarurati translatsion toʻsiq sifatida koʻrsatiladi.

Sertralin

Sertralin antidepressantdir. Sharhda S. aureus, Escherichia coli va Pseudomonas aeruginosa ga qarshi in vitro ingibitsiya va ayrim antibiotiklar bilan samaradorlik oshganini bildirgan tadqiqotlar koʻrib chiqiladi.

Manbaning muhim farmakologik ogohlantirishi shuki, referens shtammlarda xabar qilingan oʻnlab µg/mL darajadagi ingibitsiya konsentratsiyalari standart antidepressant dozalar bilan erishilishi mumkin boʻlgan ekspozitsiyalardan yuqori boʻlishi mumkin. Shu sababli in vitro faollik bevosita klinik qoʻllanish degani emas.

Klofazimin

Klofazimin moxov uchun ishlatiladigan antimikobakterial dori boʻlib, koʻp dori vositalariga chidamli sil rejimlarida ham klinik oʻringa ega. Manba redox cycling, reaktiv kislorod turlari va nafas olishning buzilishini taʼsir bilan bogʻlaydi.

Biroq klofaziminning bu qoʻllanilishi AI kashfiyoti emas. Sharh buni shu keng antimikrob soha ichidagi klinik qayta maqsadlash misoli sifatida baholaydi.

Dalillar jadvalining muhim chegarasi: Manba 4-jadvalidagi “—” belgisi butun dunyo adabiyotida hech qanday dalil yoʻq degani emas. U faqat ushbu sharh foydalangan manbalar ichida tegishli dalil darajasi aniqlanmaganini bildiradi.

AI va klassik usullarning “hit rate” qiymatlari nega bevosita taqqoslab boʻlmaydi?

Halicin tadqiqotida AI modeli tanlagan 23 ta ZINC15 birikmasidan 8 tasi bakterial oʻsishni ingibitsiya qilgan. Boshqa chuqur oʻrganish tadqiqotida taxminan 240 ta tanlangan birikmadan 9 tasi faol topilgan; manba buni taxminan %4 deb beradi.

2026-yildagi docking asosidagi tadqiqotda esa yuqori oʻrin olgan 14 ta tasdiqlangan dori tajribaviy ravishda sinovdan oʻtkazilgan va lifitegrast membrana oʻtkazuvchanligini oshiruvchi agent bilan kombinatsiyada eng diqqatga sazovor faollikni koʻrsatgan.

Bu raqamlar “AI docking dan yaxshiroq” yoki aksincha degan xulosaga imkon bermaydi. Boshlangʻich kutubxonaning hajmi, modelning dastlabki filtrlash darajasi, faollik chegarasi, whole-cell yoki nishonga asoslangan testdan foydalanish va faqat ijobiy natijalarni nashr qilish tendensiyasi hit nisbatini katta darajada oʻzgartiradi. Manba AI bilan docking/MD oʻrtasida moslashtirilgan prospektiv head-to-head antibakterial benchmark yoʻqligini bildiradi.

Tadqiqot Usuli va Natijalari

Sharhning adabiyot toʻplash yondashuvi

Tadqiqotning metodologik maqomi

Maqola nashriyot tomonidan “Review” deb tasniflangan. Manba aniq maʼlumotlar bazalari va sana oraligʻini bildirgani sababli u mutlaqo erkin narrativ sharh emas; shu bilan birga formal sistematik sharh hisobotini ham taqdim etmaydi.

Shu sababli Verianla tadqiqotni tuzilmali adabiyot qidiruviga asoslangan tanqidiy sharh deb taʼriflaydi. Bu tasnif manbada keltirilgan usul tafsilotlarining chegaralarini saqlash uchun berilgan.

Model validatsiyasida besh asosiy nazorat

1. Data splitting va scaffold splitting: Yaqin strukturaviy analoglarning trening va test oʻrtasida aralashishini kamaytirish; yangi chemotype larga umumlashtirishni yanada real baholash.
2. Data leakage nazorati: Duplicate/near-duplicate tuzilmalar, tuz va tautomer variantlari yoki butun maʼlumotda giperparametr tanlash orqali test maʼlumotining treningga sizib kirishini oldini olish.
3. Class imbalance nazorati: Oz sonli faol birikmalarning koʻp sonli nofaol namuna ichida yoʻqolib ketishini oldini olish va accuracy dan tashqari mos metrikadan foydalanish.
4. External va prospective validation: Modelni mustaqil maʼlumotda va keyinchalik haqiqiy laboratoriya skriningida validatsiya qilish.
5. Empirical in vitro validation: Hisoblash orqali tanlangan nomzodlarni MDR klinik izolatlari ham kiradigan haqiqiy biologik tizimlarda sinovdan oʻtkazish.

In vitro validatsiyada qaysi tajribalar tavsiya qilinadi?

Sharh standartlashtirilgan susceptibility testing doirasida minimum inhibitory concentration (MIC), minimum bactericidal concentration (MBC), time–kill kinetics va kombinatsiyalar uchun checkerboard assay ishlatilishini tavsiya qiladi.

Bundan tashqari, nomzod faqat bakteriyani oʻldiradimi-yoʻqmi emas, balki sutemizuvchi hujayralar uchun toksikmi-yoʻqmi ham baholanishi kerak. Sitotoksiklik testi antibakterial faollikning selektivlik oynasini tushunishga yordam beradi.

Mos boʻlganda taʼsir mexanizmini ham tajribaviy ravishda oʻrganish tavsiya qilinadi. Chunki model bir birikmani “faol” deb tanlashi mumkin, biroq nima sababdan faol ekanini tushuntira olmasligi mumkin.

AI Bashorati Qachon Klinik Jihatdan Mazmunli Hisoblanishi Mumkin?

Manbaga koʻra, AI bashorati klinik jihatdan mazmunli deb qabul qilinishidan oldin mustaqil va prospektiv hisoblash validatsiyasi, standart in vitro antimikrob testlari, sitotoksiklik, mos hayvon modellari, infeksiya joyidagi PK/PD ekspozitsiyasining yetarliligi, inson xavfsizligi va samaradorligini sinovchi klinik tadqiqot hamda regulyator baholash bosqichlaridan oʻtishi kerak; kuchli in silico ball oʻz-oʻzidan klinik samaradorlik emas.

MIC nima?

Minimum inhibitory concentration (MIC) — maʼlum tajriba sharoitida koʻrinadigan mikrobial oʻsishni toʻxtatadigan eng past dori konsentratsiyasi. MIC birikmaning potensial antibakterial kuchini baholashdagi asosiy laboratoriya mezonlaridan biridir.

Biroq past MIC oʻz-oʻzidan klinik muvaffaqiyatni koʻrsatmaydi. Dori infeksiya joyida ushbu darajaga xavfsiz tarzda yetishi yoki yetmasligi alohida baholanishi kerak.

MBC nima?

Minimum bactericidal concentration (MBC) — bakteriyalarni oʻldirish bilan bogʻliq tajribaviy konsentratsiya mezoni. MIC oʻsishning bostirilishini, MBC esa bakteritsid faollikni baholashda ishlatiladi.

Time-kill testi nimani koʻrsatadi?

Time-kill assay maʼlum dori konsentratsiyalarida tirik bakteriyalar soni vaqt davomida qanday oʻzgarishini kuzatadi. Shu tariqa faqat bitta yakuniy nuqta emas, taʼsirning vaqt boʻyicha kechishi ham baholanishi mumkin.

Checkerboard assay nimani koʻrsatadi?

Checkerboard assay ikki dorining turli konsentratsiya kombinatsiyalarini bir matritsada sinab, ehtimoliy sinergiya yoki antagonizmni baholash uchun ishlatiladigan in vitro yondashuvdir. Sharh ayniqsa mavjud antibiotiklar bilan qayta maqsadlangan birikmalar kombinatsiyasini baholashda bunday testlarning ahamiyatini taʼkidlaydi.

PK va PD oʻrtasidagi farq

Farmakokinetika (PK) dori organizmda qaysi konsentratsiyalarga qanday vaqt profili bilan yetishini; farmakodinamika (PD) esa ushbu ekspozitsiyaning mikroorganizmga taʼsiri bilan munosabatini baholaydi.

Dori vositalarini qayta maqsadlashda eski koʻrsatmada xavfsiz boʻlgan dozaning antibakterial taʼsir uchun yetarli boʻlishi kafolatlanmagan. Shu sababli model tanlagan birikma haqiqiy infeksiya joyida zarur ekspozitsiyaga yetadimi-yoʻqmi oʻrganilishi kerak.

fAUC/MIC nima?

fAUC faqat oqsilga bogʻlanmagan erkin dorining maʼlum vaqt davomida konsentratsiya–vaqt egri chizigʻi ostida qolgan maydonini ifodalaydi. MIC — minimum inhibitory concentration.

Nisbat umumiy erkin dori ekspozitsiyasi bakteriyani ingibitsiya qilish uchun zarur konsentratsiyaga nisbatan qanchalik katta ekanini bildiradi. Manba muayyan dori uchun chegara qiymatini bermaydi; zarur maqsad dori va taʼsir mexanizmiga qarab oʻzgaradi.

fCmax/MIC nima?

fC_max — erkin dori erishadigan eng yuqori konsentratsiya. Bu nisbat pik ekspozitsiyaning MIC ga nisbatan kattaligini bildiradi.

Sharh ushbu metrikani umumiy PK/PD indeksi sifatida beradi; koʻrib chiqilgan holat dorilari uchun yangi maqsad nisbatini hisoblamaydi.

fT > MIC nima?

fT > MIC erkin dori konsentratsiyasi doza oraligʻining qancha qismida MIC dan yuqori qolishini bildiradi. Odatda doza oraligʻining foizi sifatida qaraladi.

Bu mezon ayniqsa samaradorlik konsentratsiyaning MIC dan yuqori saqlanish davomiyligi bilan bogʻliq boʻlgan antimikrob kontekstlarda mazmunlidir. Sharh muayyan chegara qiymatini belgilamaydi.

Population PK va PBPK nega muhim?

Population pharmacokinetic modelling turli shaxslar oʻrtasidagi farmakokinetik oʻzgaruvchanlikni miqdoriy oʻrganish uchun ishlatilishi mumkin. Physiologically based pharmacokinetic (PBPK) modelling esa organ va toʻqima kompartmanlarini fiziologik parametrlar bilan ifodalab, dori taqsimlanishini simulyatsiya qiladi.

Manba bu usullarni ayniqsa tor terapevtik oynaga ega yoki infeksiya joyiga yetib borishi qiyin nomzodlarda doza loyihalash va klinik tadqiqotni rejalashtirish uchun foydali vositalar sifatida muhokama qiladi; mavjud sharhning oʻzi PBPK simulyatsiyasi oʻtkazmagan.

Regulyatsiya nuqtayi nazaridan “mavjud tasdiqlangan dori” nima beradi?

Tasdiqlangan dorining oldingi xavfsizlik va ishlab chiqarish maʼlumotiga ega boʻlishi rivojlantirish vaqtini qisqartirishi mumkin. Biroq yangi infeksiya koʻrsatmasida samaradorlik, xavfsizlik va mos doza qayta koʻrsatilishi kerak.

Manba FDA va EMA kabi regulyator organlar yangi koʻrsatma uchun yana mustahkam xavfsizlik va samaradorlik dalilini talab qilishini; Good Clinical Practice, farmakovigilans va zarur boʻlsa yangi klinik tadqiqotlar majburiy ekanini bildiradi.

Etika va tenglik muammosi nima?

AI modellarining qaror mexanizmini tushuntirib boʻlmasligi klinik masʼuliyat va bemor xavfsizligi nuqtayi nazaridan muammo tugʻdirishi mumkin. Shuningdek, trening maʼlumotlari toʻplamlarining yuqori daromadli mamlakatlardan nomutanosib ravishda kelishi modelning past va oʻrta daromadli mamlakatlardagi populyatsiyalarga umumlashtirilishini cheklashi mumkin.

Sharh tenglikni faqat model treningi bilan cheklamaydi. Qayta maqsadlangan dorining mavjudligi, narxi va barqaror taʼminoti ham jamoat salomatligiga taʼsirning bir qismi sifatida baholanishi kerak.

Tadqiqot qoʻllab-quvvatlaydigan va qoʻllab-quvvatlamaydigan xulosalar

Sharhning kuchli tomonlari

• AI va klassik hisoblash usullarini bir toifaga jamlash oʻrniga metodologik jihatdan ajratadi.
• Har bir holat dorisida AI ning haqiqiy rolini alohida baholaydi.
• In silico, in vitro, hayvon va klinik dalil darajalarini alohida jadvalda koʻrsatadi.
• Model validatsiyasida data leakage, scaffold split, class imbalance va external validation muammolarini batafsil koʻrib chiqadi.
• PK/PD va regulyator haqiqatini hisoblash modeli muhokamasiga qoʻshadi.
• AI klinik farmakologiyaning oʻrniga emas, ustuvorlashtirish qatlamiga joylashtirilishi kerakligini aniq bildiradi.
• Etika, mavjudlik va past/oʻrta daromadli mamlakatlarda maʼlumot vakilligi muammolarini muhokama qiladi.

Sharhning cheklovlari

• Adabiyot faqat ingliz tilidagi nashrlar bilan cheklangan.
• Toʻliq qidiruv satrlari xabar qilinmagan.
• Har bir maʼlumotlar bazasidan nechta yozuv topilgani berilmagan.
• Duplicate chiqarish va sarlavha/annotatsiya/toʻliq matn saralash sonlari berilmagan.
• PRISMA oqim sxemasi yoʻq.
• Formal risk-of-bias yoki tadqiqot sifati bahosi xabar qilinmagan.
• Sharh protokolining roʻyxatdan oʻtkazilishi koʻrsatilmagan.
• Holat dorilari uchun dalillar iyerarxiyasi sharhda ishlatilgan manbalar bilan cheklangan; 4-jadvaldagi “—” butun adabiyotda yoʻqlik degani emas.
• Prospektiv AI tadqiqotlarida ijobiy hitlarning nashr qilinishi haqiqiy muvaffaqiyat nisbatini amaldagidan yuqoriroq koʻrsatishi mumkin.
• Turli skrining tadqiqotlarining hit nisbatlari bevosita taqqoslanmaydi.
• Koʻplab non-antibiotic birikmalar tasdiqlangan dozalar bilan organizmda erishish qiyin boʻlgan konsentratsiyalarda antibakterial taʼsir koʻrsatishi mumkin.
• AI nomzodlarining katta qismida inson klinik dalili yoʻq.

Kelajak tadqiqot yoʻnalishlari

Sharh kelajakdagi tadqiqotlarni oltita asosiy mavzuga jamlaydi: aniq antimikrob terapiya, kombinatsiya va sinergiyani bashorat qilish, izohlanadigan AI, hisoblash–tajribaviy–klinik ish oqimlarini integratsiya qilish, global mavjudlik va yangi texnologik sohalar.

Aniq terapiya yondashuvida patogen genomi, mezbon immunogenomik maʼlumoti va mikrobiomni birgalikda ishlatish; qaysi bemor guruhi qaysi qayta maqsadlangan doridan foyda koʻrishini yaxshiroq bashorat qilish tavsiya etiladi.

Kombinatsion terapiyada AI mavjud antibiotiklarning taʼsirini kuchaytiradigan juftliklarni topishi mumkin deb qaraladi; biroq bu sinergiyalar yana in vitro, in vivo va PK/PD darajasida tasdiqlanishi kerakligi taʼkidlanadi.

Izohlanadigan AI tomonida attention visualisation, Shapley values va graph interpretability kabi usullar regulyator ishonchini oshirishi mumkinligi bildiradi.

Kelajak pipeline ning ideal shakli faqat “model → nomzod” emas. Manba model nomzodni tanlashi, nomzod laboratoriyada sinovdan oʻtkazilishi, model natijalar bilan qayta takomillashtirilishi, hayvon va farmakologik maʼlumotlar bilan sinovdan oʻtkazilishi va faqat shundan soʻng klinik baholashga oʻtishi kabi iterativ tuzilmani taklif qiladi.

Sharh, shuningdek, sintetik biologiya, antimikrob peptid dizayni, biofilmni nishonga olish va mezbon himoyasi yoki mikrob virulentligini oʻzgartirishi mumkin boʻlgan adjuvantlarni AI bilan oʻrganishni kelajak imkoniyatlari qatoriga kiritadi.

Sharhning asosiy ilmiy xulosasi

Sharhning eng himoya qilinadigan xulosasi “AI yangi antibiotiklarni avtomatik ravishda topadi” emas. Manbaning asosiy xabari shuki, AI katta dori va molekula fazolarida nomzodlarni samaraliroq ustuvorlashtira oladi; biroq bu afzallik faqat mustahkam maʼlumot ajratilishi, tashqi validatsiya, tajribaviy farmakologiya, PK/PD haqiqati va klinik baholash bilan birlashtirilgandagina mazmunli boʻladi.

Halicin ushbu zanjirning AI tomonidagi eng aniq muvaffaqiyat misolidir; biroq insonlarda klinik samaradorlik maʼlumoti yoʻqligi sababli translatsiya yakunlanmagan. Boshqa qayta maqsadlangan dori misollari esa “AI ishlatilgan boʻlishi mumkin” va “AI tomonidan kashf qilingan” degan iboralarni albatta ajratish kerakligini koʻrsatadi.

Manba va Usul Haqida Izoh

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

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

Masʼul muallif: Felix Oghenemaro Enwa.

Teng hissa: Manbada teng birinchi mualliflik yoki teng hissa bayonoti mavjud emas.

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

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

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

Jurnal: Acta Microbiologica Hellenica.

Nashriyot: Hellenic Society for Microbiology nomidan MDPI.

Manba turi: Review — AI yordamidagi antimikrob dori vositalarini qayta maqsadlashga oid tanqidiy sharh.

Bibliografik qayd: Acta Microbiologica Hellenica, 2026, 71(4), Article 42.

DOI: 10.3390/amh71040042

Rasmiy havola: https://doi.org/10.3390/amh71040042

Nashr vaqt jadvali: Received: 21 sentabr 2026; Revised: 8 oktabr 2026; Accepted: 10 oktabr 2026; Published: 20 oktabr 2026.

Academic Editors: Petros Ioannou va Diamantis P. Kofteridis.

Taqriz holati: Acta Microbiologica Hellenica double-anonymized peer-review qoʻllaydigan xalqaro taqrizdan oʻtuvchi ochiq kirishli jurnaldir.

Litsenziya: Creative Commons Attribution (CC BY).

Preprint holati: Koʻrib chiqilgan manba nashr qilingan jurnal maqolasidir. Manbada alohida preprint identifikatori koʻrsatilmagan.

Sharh qamrovi: Ingliz tilidagi adabiyot; Yanvar 2020–Sentabr 2026; PubMed/MEDLINE, Scopus va Web of Science; muhim tadqiqotlarning manbalar roʻyxatini qoʻlda tekshirish.

Sistematik sharh cheklovi: Toʻliq qidiruv satrlari, PRISMA oqimi, koʻrib chiqilgan/chiqarib tashlangan yozuvlar soni, formal risk-of-bias baholashi va roʻyxatdan oʻtkazilgan protokol xabar qilinmagan. Shu sababli Verianla tadqiqotni sistematik sharh yoki meta-tahlil deb tasniflamaydi.

Yangi tajribaviy maʼlumot: Yoʻq. Tadqiqot adabiyot sharhidir.

Yangi AI modeli: Yoʻq. Maqola mavjud AI va AI-adjacent yondashuvlarni tanqidiy baholaydi.

Manbadagi formula: Raqamlangan matematik tenglama mavjud emas. fAUC/MIC, fCmax/MIC va fT > MIC PK/PD indekslari konseptual tarzda muhokama qilingan.

Moliyalashtirish: Tadqiqot tashqi moliyalashtirish olmagan.

Institutional Review Board: Qoʻllanilmaydi.

Axborotli rozilik: Qoʻllanilmaydi.

Maʼlumotlarning mavjudligi: Yangi maʼlumot yaratilmagan yoki tahlil qilinmagan; maʼlumot ulashish ushbu sharh uchun qoʻllanilmaydi.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvini bildirmagan.

Muallif hissalari — Conceptualization: Kingsley Chukwuka Amaihunwa va 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 va Felix Oghenemaro Enwa.

Supervision: Felix Oghenemaro Enwa.

AI tasnifi chegarasi: Sharh ML, DL, GNN va NLP ni AI usullari sifatida; network pharmacology ni AI-adjacent; molecular docking/MD ni esa klassik non-AI taqqoslovchi sifatida koʻrib chiqadi.

Halicin dalili chegarasi: Halicin AI bilan ustuvorlashtirilgan, in vitro va hayvon modeli daliliga ega nomzoddir; sharh odamlarda klinik samaradorlik dalilini aniqlamaydi.

Boshqa holat dorilarining AI chegarasi: Auranofin, fenotiazinlar, disulfiram, sertralin va klofazimin uchun antibakterial faollikni kashf etishda tasdiqlangan AI roli koʻrsatilmagan.

Dalillar jadvali chegarasi: 4-jadvaldagi “—” belgisi kengroq adabiyotda aniq dalil yoʻqligini anglatmaydi; u faqat ushbu sharh foydalangan manbalarda dalil aniqlanmaganini bildiradi.

Model baholash chegarasi: Random split dagi yuqori natija yangi scaffold larga umumlashtirishni kafolatlamaydi. Data leakage va sinflar nomutanosibligi yuqori koʻrinadigan, ammo haqiqiy boʻlmagan metrikalarga olib kelishi mumkin.

Translatsiya chegarasi: In silico bashoratlar tajribaviy validatsiyagacha gipotezadir; in vitro faollik klinik samaradorlik emas va oldingi tasdiqlangan dozaning yangi antimikrob koʻrsatma uchun yetarli boʻlishi kafolatlanmagan.

Regulyatsiya chegarasi: Qayta maqsadlangan dorilar mavjud xavfsizlik maʼlumotiga ega boʻlsa ham, yangi koʻrsatma uchun samaradorlik, xavfsizlik, mos doza va farmakovigilans talablarini qondirishi shart.