مرکز تحقیقات مایکوباکتریولوژی

عفونت‌های مقاوم به دارو ـ به‌ویژه ناشی از باکتری‌های خطرناکی مانند سل و استافیلوکوک ـ به یک بحران رو‌ به رشد در سلامت جهانی تبدیل شده‌اند. درمان این عفونت‌ها دشوارتر است، اغلب نیاز به داروهای پرهزینه یا سمی‌تری دارند و با بستری طولانی‌مدت و افزایش نرخ مرگ‌ومیر همراه هستند. تنها در سال ۲۰۲۱، طبق آمار سازمان جهانی بهداشت، ۴۵۰ هزار نفر به سل مقاوم به چند دارو مبتلا شدند و نرخ موفقیت درمان به ۵۷ درصد کاهش یافت.

اکنون پژوهشگران دانشگاه تولین روش جدیدی مبتنی بر هوش مصنوعی طراحی کرده‌اند که می‌تواند نشانگرهای ژنتیکی مقاومت آنتی‌بیوتیکی را در باکتری‌های مایکوباکتریوم توبرکلوزیس (عامل سل) و استافیلوکوک اورئوس با دقت بیشتری شناسایی کند؛ امکانی که می‌تواند به درمان‌های سریع‌تر و مؤثرتر منجر شود.

در این مطالعه که در مجله‌ی علمی Nature Communications منتشر شده، مدلی جدید با عنوان «مدل ارتباط گروهی» (GAM) معرفی شده است که با بهره‌گیری از یادگیری ماشین، جهش‌های ژنتیکی مرتبط با مقاومت دارویی را شناسایی می‌کند. برخلاف ابزارهای سنتی که ممکن است به‌اشتباه جهش‌های نامرتبط را با مقاومت پیوند دهند، این مدل بدون نیاز به دانش پیشین درباره مکانیسم‌های مقاومت عمل می‌کند. همین ویژگی آن را انعطاف‌پذیرتر کرده و توانایی شناسایی جهش‌های ناشناخته را افزایش می‌دهد.

روش‌های فعلی تشخیص مقاومت که توسط نهادهایی مانند سازمان جهانی بهداشت استفاده می‌شوند، یا زمان‌بر هستند (مانند تست‌های کشت) یا جهش‌های نادر را نادیده می‌گیرند (مانند برخی آزمایش‌های مبتنی بر DNA). مدل دانشگاه تولین این دو مشکل را با تحلیل توالی کامل ژنوم و مقایسه‌ی گروه‌های مختلف باکتریایی با الگوهای گوناگون مقاومت، برطرف کرده و جهش‌های مؤثر در مقاومت به داروهای خاص را شناسایی می‌کند.

دکتر تونی هو، استاد مرکز تشخیص سلولی و مولکولی دانشگاه تولین و نویسنده ارشد مقاله می‌گوید:
«این مدل مانند استفاده از اثرانگشت کامل ژنتیکی باکتری برای کشف مکانیسم مقاومت آن در برابر آنتی‌بیوتیک‌هاست. ما به کامپیوتر آموزش می‌دهیم تا الگوهای مقاومت را بدون آن‌که قبلاً برایش تعریف کنیم، شناسایی کند.»

در این پژوهش، مدل GAM بر روی بیش از ۷۰۰۰ سویه از باکتری سل و نزدیک به ۴۰۰۰ سویه از استافیلوکوک اعمال شد و جهش‌های کلیدی مرتبط با مقاومت شناسایی شدند. نتایج نشان داد که GAM نه‌تنها دقتی معادل یا بالاتر از پایگاه داده مقاومت دارویی سازمان جهانی بهداشت دارد، بلکه نرخ موارد مثبت کاذب را نیز به‌طور چشمگیری کاهش می‌دهد؛ مواردی که می‌توانند منجر به درمان‌های اشتباه شوند.

جولیان سلیبا، نویسنده اول مقاله و دانشجوی دکتری در مرکز تشخیص مولکولی دانشگاه تولین می‌گوید:
«آزمایش‌های ژنتیکی موجود ممکن است به اشتباه باکتری را مقاوم تشخیص دهند و این بر روند درمان بیمار اثر منفی می‌گذارد. روش ما تصویری دقیق‌تر از جهش‌هایی که واقعاً عامل مقاومت هستند ارائه می‌دهد و از تشخیص‌های اشتباه و تغییرات درمانی غیرضروری جلوگیری می‌کند.»

ترکیب این مدل با یادگیری ماشین باعث شد پیش‌بینی مقاومت حتی با داده‌های محدود یا ناقص نیز بهبود یابد. در مطالعات اعتبارسنجی با نمونه‌های بالینی از چین، این مدل عملکرد بهتری نسبت به روش‌های مبتنی بر پایگاه داده WHO در پیش‌بینی مقاومت نسبت به آنتی‌بیوتیک‌های اصلی خط اول نشان داد.

این یافته اهمیت زیادی دارد، چراکه شناسایی زودهنگام مقاومت می‌تواند به پزشکان کمک کند تا پیش از وخامت یا گسترش عفونت، رژیم درمانی مناسب را تجویز کنند.

قابلیت مدل GAM در تشخیص مقاومت بدون نیاز به قوانین از پیش تعیین‌شده، همچنین این امکان را فراهم می‌کند که در آینده برای سایر باکتری‌ها یا حتی در حوزه کشاورزی ـ جایی که مقاومت آنتی‌بیوتیکی در گیاهان نیز موضوعی نگران‌کننده است ـ مورد استفاده قرار گیرد.

سلیبا در پایان می‌گوید:
«برای مقابله با عفونت‌های مقاوم به دارو که به‌طور مداوم در حال تکامل هستند، باید همیشه یک قدم جلوتر باشیم. این ابزار می‌تواند به ما در رسیدن به این هدف کمک کند.»