به گزارش پایگاه خبری پزشکان و قانون (پالنا)، با آنتی‌بیوتیک‌ها روش‌های جراحی که زمانی با خطر بالای عفونت همراه بودند، ایمن‌تر و معمول‌تر شدند. آنتی‌بیوتیک‌ها لحظه‌ای پیروزمندانه در علم را رقم زدند که کار پزشکی را متحول کرد و جان افراد بی‌شماری را نجات داد.

اما آنتی‌بیوتیک‌ها اخطاری ذاتی دارند زمانی که بیش از حد مورد استفاده قرار گیرند، باکتری‌ها می‌توانند به این داروها مقاوم شوند.

سازمان بهداشت جهانی تخمین زده است که این ابر میکروب‌ها باعث مرگ ۱.۲۷ میلیون نفر در سراسر جهان در سال ۲۰۱۹ شدند و شاید در سال‌های آینده به تهدیدی فزاینده برای سلامت عمومی جهانی تبدیل شوند.

اکتشافات جدید به دانشمندان کمک می‌کنند تا با این چالش به روش‌های نوآورانه روبرو شوند. نتایج تحقیقات نشان داده است که حدود یک چهارم داروهایی که اغلب به‌عنوان آنتی‌بیوتیک تجویز نمی‌شوند، مانند داروهای مورد استفاده برای درمان سرطان، دیابت و افسردگی، می‌توانند باکتری‌ها را در دوزهایی که به‌طور معمول برای افراد تجویز می‌شود، از بین ببرند.

درک مکانیسم‌های زیربنایی چگونگی سمی بودن داروهای خاص برای باکتری‌ها، ممکن است تبعات گسترده‌ای برای پزشکی داشته باشد. اگر داروهای غیر آنتی‌بیوتیکی باکتری‌ها را به روش‌های متفاوتی از آنتی‌بیوتیک‌های استاندارد هدف قرار دهند، می‌توانند به‌عنوان سرنخ در تولید آنتی‌بیوتیک‌های جدید عمل کنند. اما اگر داروهای غیر آنتی‌بیوتیکی باکتری‌ها را به روش‌های مشابه آنتی‌بیوتیک‌های شناخته شده از بین ببرند، استفاده طولانی‌مدت از آن‌ها، مانند درمان بیماری‌های مزمن، ممکن است ناخواسته مقاومت آنتی‌بیوتیکی را افزایش دهد.

ماریانا نوتو گیلن فارغ‌التحصیل از دانشگاه بوئنوس آیرس آرژانتین در علوم زیستی با تاکید بر زیست‌شناسی مولکولی گفت: در تحقیقی من و همکارانم روش یادگیری ماشینی جدید ایجاد کردیم که نه تنها چگونگی کشتن باکتری‌ها توسط داروهای غیر آنتی‌بیوتیکی را شناسایی می‌کند، بلکه می‌تواند به یافتن اهداف باکتریایی جدید برای آنتی‌بیوتیک‌ها نیز کمک کند.

نوتو گیلن ادامه داد: دانشمندان و پزشکان متعددی در سرتاسر جهان در حال مقابله با مشکل مقاومت دارویی هستند، ازجمله من و همکارانم در آزمایشگاه میچل در دانشکده پزشکی ماساچوست آمریکا، از ژنتیک باکتری‌ها برای بررسی اینکه کدام جهش باکتری‌ها را نسبت به داروها مقاوم‌تر یا حساس‌تر می‌کند، استفاده می‌کنیم، هنگامی که من و گروه تحقیقاتی در مورد فعالیت گسترده ضد باکتریایی داروهای غیر آنتی‌بیوتیکی مطلع شدیم، چالش ایجاد شده این داروها ما را به خود مشغول کرد که چگونه این داروها باکتری‌ها را از بین می‌برند.

وی افزود: من حدود ۲ میلیون مورد سمیت بین ۲۰۰ دارو و هزاران باکتری جهش‌یافته را جمع‌آوری و تجزیه و تحلیل کردم. با استفاده از الگوریتم یادگیری ماشینی که برای استنباط شباهت‌های بین داروهای مختلف ایجاد کردم، داروها را بر اساس نحوه تأثیر آنها بر باکتری‌های جهش یافته در یک شبکه با هم گروه‌بندی کردم.

نوتو گیلن اظهار کرد: طرح‌های من به‌وضوح نشان می‌داد که آنتی‌بیوتیک‌های مطرح به‌دلیل کلاس‌های شناخته‌شده مکانیسم‌های کشنده به‌شدت با هم گروه‌بندی شده‌اند. به‌عنوان مثال تمام آنتی‌بیوتیک‌هایی که دیواره سلولی لایه محافظ ضخیم اطراف سلول‌های باکتریایی را هدف قرار می‌دهند با هم گروه‌بندی شدند و به‌خوبی از آنتی‌بیوتیک‌های دخیل در تکثیر دی‌ان‌ای باکتری‌ها جدا شده‌اند.

وی اضافه کرد: جالب اینجاست که وقتی داروهای غیر آنتی‌بیوتیکی را به تجزیه و تحلیل خود اضافه کردم، آنها قطب‌های جداگانه‌ای از آنتی‌بیوتیک‌ها را تشکیل دادند. این امر نشان می‌دهد که داروهای غیر آنتی‌بیوتیکی و آنتی‌بیوتیکی راه‌های مختلفی برای از بین بردن سلول‌های باکتریایی دارند. در حالی که این گروه‌بندی‌ها نشان نمی‌دهند که چگونه هر دارو به‌طور خاص آنتی‌بیوتیک‌ها را از بین می‌برد، اما نشان می‌دهد که دسته‌بندی‌شده‌ها به احتمال زیاد به روش‌های مشابهی کار می‌کنند.

گیلن در ادامه گفت: اینکه ما توانستیم اهداف دارویی جدیدی را در باکتری‌ها برای کشتن آنها پیدا کنیم حاصل تحقیقات همکارم کارمن لی است. وی صدها نسل از باکتری‌ها را رشد داد و در معرض داروهای مختلف غیر آنتی‌بیوتیکی قرار داد که اغلب برای درمان اضطراب، عفونت‌های انگلی و سرطان تجویز می‌شدند.

تعیین توالی ژنوم باکتری‌هایی که تکامل یافته و با حضور این داروها سازگار شده‌اند، به ما امکان مشخص کردن پروتئین باکتریایی خاصی را می‌دهد که تری‌کلابندازول، داروی مورد استفاده برای درمان عفونت‌های انگلی، هدف قرار می‌دهد تا باکتری را از بین ببرد. نکته مهم این است که آنتی‌بیوتیک‌های فعلی به‌طور معمول این پروتئین را هدف قرار نمی‌دهند.

وی خاطرنشان کرد: علاوه بر این، ما متوجه شدیم که ۲ داروی غیر آنتی‌بیوتیک دیگر که از مکانیسم مشابهی مانند تری‌کلابندازول استفاده می‌کنند نیز همان پروتئین را هدف قرار می‌دهند. این امر نشان‌دهنده قدرت طرح‌های شباهت دارویی ما برای شناسایی داروهایی با مکانیسم‌های کشندگی مشابه بود، حتی زمانی که این مکانیسم هنوز ناشناخته بود.

محققان گفتند: کار ما نشان می‌دهد، ترکیب غربالگری ژنتیکی با یادگیری ماشینی می‌تواند به کشف مواد شیمیایی کمک کند که قادر به از بین بردن باکتری‌ها به روش‌هایی هستند که محققان پیش از این به کار نبرده‌اند. راه‌های مختلفی برای کشتن باکتری‌ها وجود دارد که هنوز از آن‌ها بهره‌برداری نکرده‌ایم و هنوز راه‌هایی وجود دارد که می‌توانیم برای مبارزه با تهدید عفونت‌های باکتریایی و مقاومت آنتی‌بیوتیکی در پیش بگیریم. ایسنا