به گزارش ایسنا، عفونت‌های مقاوم به دارو که به‌ویژه از باکتری‌های کشنده‌ای مانند سل و استافیلوکوک می‌آیند، یک بحران رو به رشد برای بهداشت جهانی است. درمان این عفونت‌ها سخت‌تر است، اغلب به داروهای گران‌تر یا سمی‌تر نیاز دارند و باعث بستری طولانی‌تر در بیمارستان و میزان مرگ و میر بالاتر می‌شوند. تنها در سال ۲۰۲۱، ۴۵۰ هزار نفر به سل مقاوم به چند دارو مبتلا شدند که میزان موفقیت درمان آنها تنها به ۵۷ درصد کاهش یافته است.
به نقل از نیوز مدیکال، اکنون، دانشمندان دانشگاه تولان روش جدیدی مبتنی بر هوش مصنوعی ایجاد کرده‌اند که نشانگرهای ژنتیکی مقاومت آنتی‌بیوتیکی را در مایکوباکتریوم توبرکلوزیس و استافیلوکوکوس اورئوس با دقت بیشتری شناسایی می‌کند و به طور بالقوه منجر به درمان‌های سریع‌تر و مؤثرتر میشود.
بر اساس مطالعه‌ای که در مجله Nature Communications منتشر شده است، یک مدل همکاری گروهی جدید (GAM) که از یادگیری ماشینی برای شناسایی جهش‌های ژنتیکی مرتبط با مقاومت دارویی استفاده می‌کند، برخلاف ابزارهای سنتی که به اشتباه می‌توانند جهش‌های نامرتبط را به مقاومت مرتبط کنند، به دانش قبلی در مورد مکانیسم‌های مقاومت متکی نیست و این باعث انعطاف‌پذیری بیشتر و توانایی یافتن تغییرات ژنتیکی ناشناخته قبلی میشود.
روش‌های کنونی تشخیص مقاومت که توسط سازمان‌هایی مانند سازمان بهداشت جهانی استفاده میشود یا بسیار طولانی است یا مانند برخی از آزمایش‌های مبتنی بر دی‌ان‌ای، جهش‌های نادر را از دست می‌دهند. مدل جدید هر دو مشکل را با تجزیه و تحلیل توالی ژنوم کامل و مقایسه گروه‌هایی از سویه‌های باکتریایی با الگوهای مقاومت متفاوت برای یافتن تغییرات ژنتیکی که به طور قابل اعتمادی مقاومت به داروهای خاص را نشان می‌دهند، برطرف می‌کند.
در این مطالعه، محققان GAM را روی بیش از ۷۰۰۰ سویه سل و نزدیک به ۴۰۰۰ سویه استافیلوکوکوس اورئوس اعمال کردند و جهش‌های کلیدی مرتبط با مقاومت را شناسایی کردند. آنها دریافتند که GAM نه تنها با دقت پایگاه داده مقاومت سازمان جهانی بهداشت مطابقت دارد یا از آن فراتر می‌رود، بلکه به طور قابل توجهی نتایج مثبت کاذب را کاهش می‌دهد.
جولیان سالیبا (Julian Saliba)، نویسنده ارشد این مقاله، دانشجوی فارغ‌التحصیل در مرکز تشخیص سلولی و مولکولی دانشگاه تولان، می‌گوید: آزمایش‌های ژنتیکی کنونی ممکن است به اشتباه باکتری‌ها را به عنوان مقاوم طبقه‌بندی کنند که بر مراقبت از بیمار تأثیر می‌گذارد. روش ما تصویر واضح‌تری از اینکه کدام جهش‌ها واقعا باعث مقاومت می‌شوند، کاهش تشخیص‌های اشتباه و تغییرات غیرضروری در درمان ارائه می‌دهد.
این مهم است، زیرا تشخیص زودهنگام مقاومت می‌تواند به پزشکان کمک کند تا قبل از گسترش یا بدتر شدن عفونت، رژیم درمانی مناسبی را تنظیم کنند.
توانایی این مدل برای تشخیص مقاومت بدون نیاز به قوانین تعریف شده توسط متخصص نیز به این معنی است که می‌تواند به طور بالقوه برای باکتری‌های دیگر یا حتی در کشاورزی، جایی که مقاومت آنتی‌بیوتیکی در محصولات کشاورزی نیز یک نگرانی است، اعمال شود.
انتهای پیام
به گزارش ایسنا، عفونت‌های مقاوم به دارو که به‌ویژه از باکتری‌های کشنده‌ای مانند سل و استافیلوکوک می‌آیند، یک بحران رو به رشد برای بهداشت جهانی است. درمان این عفونت‌ها سخت‌تر است، اغلب به داروهای گران‌تر یا سمی‌تر نیاز دارند و باعث بستری طولانی‌تر در بیمارستان و میزان مرگ و میر بالاتر می‌شوند. تنها در سال ۲۰۲۱، ۴۵۰ هزار نفر به سل مقاوم به چند دارو مبتلا شدند که میزان موفقیت درمان آنها تنها به ۵۷ درصد کاهش یافته است.
به نقل از نیوز مدیکال، اکنون، دانشمندان دانشگاه تولان روش جدیدی مبتنی بر هوش مصنوعی ایجاد کرده‌اند که نشانگرهای ژنتیکی مقاومت آنتی‌بیوتیکی را در مایکوباکتریوم توبرکلوزیس و استافیلوکوکوس اورئوس با دقت بیشتری شناسایی می‌کند و به طور بالقوه منجر به درمان‌های سریع‌تر و مؤثرتر میشود.
بر اساس مطالعه‌ای که در مجله Nature Communications منتشر شده است، یک مدل همکاری گروهی جدید (GAM) که از یادگیری ماشینی برای شناسایی جهش‌های ژنتیکی مرتبط با مقاومت دارویی استفاده می‌کند، برخلاف ابزارهای سنتی که به اشتباه می‌توانند جهش‌های نامرتبط را به مقاومت مرتبط کنند، به دانش قبلی در مورد مکانیسم‌های مقاومت متکی نیست و این باعث انعطاف‌پذیری بیشتر و توانایی یافتن تغییرات ژنتیکی ناشناخته قبلی میشود.
روش‌های کنونی تشخیص مقاومت که توسط سازمان‌هایی مانند سازمان بهداشت جهانی استفاده میشود یا بسیار طولانی است یا مانند برخی از آزمایش‌های مبتنی بر دی‌ان‌ای، جهش‌های نادر را از دست می‌دهند. مدل جدید هر دو مشکل را با تجزیه و تحلیل توالی ژنوم کامل و مقایسه گروه‌هایی از سویه‌های باکتریایی با الگوهای مقاومت متفاوت برای یافتن تغییرات ژنتیکی که به طور قابل اعتمادی مقاومت به داروهای خاص را نشان می‌دهند، برطرف می‌کند.
در این مطالعه، محققان GAM را روی بیش از ۷۰۰۰ سویه سل و نزدیک به ۴۰۰۰ سویه استافیلوکوکوس اورئوس اعمال کردند و جهش‌های کلیدی مرتبط با مقاومت را شناسایی کردند. آنها دریافتند که GAM نه تنها با دقت پایگاه داده مقاومت سازمان جهانی بهداشت مطابقت دارد یا از آن فراتر می‌رود، بلکه به طور قابل توجهی نتایج مثبت کاذب را کاهش می‌دهد.
جولیان سالیبا (Julian Saliba)، نویسنده ارشد این مقاله، دانشجوی فارغ‌التحصیل در مرکز تشخیص سلولی و مولکولی دانشگاه تولان، می‌گوید: آزمایش‌های ژنتیکی کنونی ممکن است به اشتباه باکتری‌ها را به عنوان مقاوم طبقه‌بندی کنند که بر مراقبت از بیمار تأثیر می‌گذارد. روش ما تصویر واضح‌تری از اینکه کدام جهش‌ها واقعا باعث مقاومت می‌شوند، کاهش تشخیص‌های اشتباه و تغییرات غیرضروری در درمان ارائه می‌دهد.
این مهم است، زیرا تشخیص زودهنگام مقاومت می‌تواند به پزشکان کمک کند تا قبل از گسترش یا بدتر شدن عفونت، رژیم درمانی مناسبی را تنظیم کنند.
توانایی این مدل برای تشخیص مقاومت بدون نیاز به قوانین تعریف شده توسط متخصص نیز به این معنی است که می‌تواند به طور بالقوه برای باکتری‌های دیگر یا حتی در کشاورزی، جایی که مقاومت آنتی‌بیوتیکی در محصولات کشاورزی نیز یک نگرانی است، اعمال شود.
انتهای پیام
