مکاترونیک نیوز | تحقیقات بر تجزیه و تحلیل الگوهای مقاومت آنتی بیوتیکی با روش‌های هوش مصنوعی قابل انجام است!

به گزارش مکاترونیک نیوز، تعیین بهترین دوره درمانی برای هر نوع بیمار و جلوگیری از گسترش باکتری، در تحقیقات پزشکی بسیار حائز اهمیت می‌باشد. محققان دانشگاه کارلوس سوم مادرید (UC3M) در حال تجزیه و تحلیل الگوهای مقاومت آنتی بیوتیکی و بررسی تاثیر آنها بر دوره بیماری هستند. مقاومت آنتی بیوتیکی نشان دهنده یک نگرانی پزشکی رو به رشد است که در آن از مجموعه داده های خام و بالینی به عنوان ابزاری برای ردیابی مقیاس مشکل استفاده کافی نمی شود.

مقاومت آنتی بیوتیکی یک پدیده چند مقیاسی خاص است. آنتی‌بیوتیک‌های مولکولی کوچک، مکان‌های قابل اندازه‌گیری در مقیاس نانو را به هم متصل می‌کنند.

این پژوهش که در دانشگاه‌های اکستر، بیرمنگام (هر دو در بریتانیا) و بیمارستان وست مید در سیدنی انجام شده است نتایج قابل توجهی داشته است که این نتایج در نشریه‌های علمی منتشر شد.

معیاری جهت اندازه‌گیری، معروف به «حداقل غلظت مهاری (MIC)» که معرف کمترین غلظت آنتی بیوتیک موثر در مهار رشد باکتری است، برای ارزیابی مقاومت پاتوژن باکتریایی به یک آنتی بیوتیک در زمینه‌های بالینی استفاده می‌شود. مقاومت یک باکتری با افزایش MIC در برابر آنتی بیوتیک افزایش می‌یابد.

الگوهای مقاومت آنتی بیوتیکی را در پایگاه داده رهبری و نظارت بر تست ضد میکروبی (ATLAS) وجود دارد. ATLAS دارای حداقل غلظت مهاری 6.5 میلیونی (MIC) برای 3919 جفت پاتوژن-آنتی بیوتیک جدا شده از 633 هزار بیمار در 70 کشور بین سال های 2004 تا 2017 می باشد. اکثر پایگاه‌های داده‌های عمومی فقط حاوی فراوانی پاتوژن‌های مقاوم هستند که داده‌های جمع‌آوری‌شده از اندازه‌گیری‌های MIC و آستانه‌های مقاومت از پیش تعریف‌شده محاسبه‌شده است.

پابلو کاتالان، نویسنده مطالعه، مدرس و محقق، گروه ریاضیات، دانشگاه کارلوس سوم مادرید می‌گوید:

«ممکن است برای یک پاتوژن معین، آستانه مقاومت آنتی بیوتیکی 4 باشد؛ اگر یک باکتری دارای MIC 16 باشد، مقاوم در نظر گرفته شده و هنگام محاسبه فرکانس مقاومت شمارش می‌شود.»

به عبارتی دیگر می‌توان بیان کرد که از این آمارهای فراوانی مقاومت جمع‌آوری شده برای جمع‌آوری گزارش‌های مقاومتی که در سطح ملی و توسط سازمان‌هایی مانند WHO انجام می‌شود، استفاده خواهد شد.

برای انجام این مطالعه از تجزیه و تحلیل تیم از یک پایگاه داده پیشگام که حاوی داده‌های خام در مورد مقاومت آنتی بیوتیکی است، استفاده شده است.

فایزر بر این پایگاه داده ATLAS نظارت دارد که از سال 2018 در دسترس عموم قرار گرفته است.

تیم پژوهشی تحت رهبری UC3M داده‌های 600000 بیمار را از بیش از 70 کشور، ارزیابی کرده و در محاسبات خود از تکنیک‌های یادگیری ماشینی (نوعی رویکرد هوش مصنوعی) برای کشف الگوهای آنها استفاده می‌کند و با خواندن یک روش خوشه‌بندی اطلاعاتی بهینه، برای طبقه‌بندی پاتوژن‌ها به حساسیت‌های آنتی‌بیوتیکی کم و زیاد، در ATLAS جهت پیش‌بینی تغییرات مقاومت استفاده کرد.

تکامل الگوهای مقاومت آنتی بیوتیکی

تیم پژوهش از طریق تجزیه و تحلیل این داده‌ها دریافته است که الگوهای تکامل مقاومتی وجود دارد که می‌توان آنها را هنگام استفاده از داده‌های خام (MIC) مشاهده کرد، اما این الگو ها در هنگام استفاده از داده‌های جمع‌آوری نمی‌شود.

پابلو کاتالان، نویسنده مطالعه، مدرس و محقق، گروه ریاضیات، دانشگاه کارلوس سوم مادرید می‌گوید:

«مثال بارز آن پاتوژنی است که MIC آن در طول زمان به آرامی افزایش می‌یابد، اما کمتر از آستانه مقاومت است. با استفاده از این داده‌های فرکانس، نمی‌توانیم چیزی بگوییم، زیرا فرکانس مقاومت ثابت می‌ماند. با این حال، با استفاده از داده‌های MIC می‌توانیم چنین موردی را شناسایی کرده و در حالت آماده‌باش باشیم. در این مقاله، ما چند مورد مرتبط بالینی را که دارای این ویژگی‌ها هستند، مورد بحث قرار می‌دهیم. علاوه بر این، ما اولین تیمی هستیم که این پایگاه داده را به طور عمیق توصیف می‌کنیم.»

نتایج پژوهش الگوهای مقاومت آنتی بیوتیکی

این تحقیق توسعه درمان‌های آنتی‌ بیوتیکی را امکان‌پذیر می‌سازد که در پیشگیری از عفونت‌ها و کاهش سرعت ظهور مقاومت که منجر به انواع مسائل بالینی می‌شود، قوی‌تر هستند.

در پایان محققان می‌گویند: «این تحقیق از ایده‌های ریاضی برای یافتن راه‌های جدیدی برای استخراج الگوهای مقاومت آنتی‌ بیوتیکی از ۶.۵ میلیون نقطه داده استفاده می‌کند.»

خبرنگار: فرشاد خلقتی

منبع خبر: www.azorobotics.com