تبریز امروز:
مقاومت آنتی بیوتیکی یک مشکل رو به رشد بهداشت عمومی در سراسر جهان است. وقتی باکتری هایی مانند E. coli دیگر به آنتی بیوتیک ها پاسخ نمی دهند، درمان عفونت ها سخت تر می شود.
برای توسعه آنتی بیوتیک های جدید، محققان معمولا ژن هایی را شناسایی می کنند که باکتری ها را مقاوم می کنند. از طریق آزمایش‌های آزمایشگاهی، آنها نحوه واکنش باکتری‌ها به آنتی‌بیوتیک‌های مختلف را مشاهده می‌کنند و به دنبال جهش‌هایی در ساختار ژنتیکی سویه‌های مقاوم هستند که به آنها امکان زنده ماندن می‌دهد.
اگرچه این روش موثر است، اما ممکن است این روش زمان‌بر باشد و ممکن است همیشه تصویر کاملی از مقاومت باکتری‌ها ارائه نکند. به عنوان مثال، تغییرات در نحوه عملکرد ژن‌هایی که جهش ندارند همچنان می‌تواند بر مقاومت تأثیر بگذارد. باکتری‌ها همچنین می‌توانند ژن‌های مقاومت را بین یکدیگر مبادله کنند، که اگر فقط روی جهش‌های یک سویه متمرکز شوند، ممکن است شناسایی نشوند.
من و همکارانم رویکرد جدیدی برای شناسایی ژن‌های مقاومت به E. coli با مدل‌سازی رایانه‌ای ایجاد کردیم که به ما امکان می‌دهد ترکیبات جدیدی طراحی کنیم که می‌تواند این ژن‌ها را مسدود کرده و درمان‌های موجود را مؤثرتر کند.
ماموریت ما به اشتراک گذاری دانش و اطلاع رسانی تصمیمات است.
شناسایی مقاومت
برای پیش‌بینی اینکه کدام ژن‌ها به مقاومت کمک می‌کنند، ما ژنوم سویه‌های مختلف E. coli را برای شناسایی الگوهای ژنتیکی و نشانگرهای مرتبط با مقاومت تجزیه و تحلیل کردیم. سپس از الگوریتم‌های یادگیری ماشینی استفاده کردیم که بر روی داده‌های موجود آموزش داده شده بودند تا ژن‌ها یا جهش‌های جدیدی را که در بین سویه‌های مقاوم به اشتراک گذاشته شده‌اند که ممکن است به مقاومت کمک کنند، برجسته کنیم.
E. coli یکی از گونه های باکتریایی است که نسبت به آنتی بیوتیک های رایج مقاومت نشان می دهد. موسسه ملی آلرژی و بیماری های عفونی
پس از شناسایی ژن‌های مقاومت، مهارکننده‌هایی طراحی کردیم که به طور خاص پروتئین‌هایی را که این ژن‌ها تولید می‌کنند هدف قرار داده و مسدود می‌کنند. با تجزیه و تحلیل ساختار پروتئین‌هایی که این ژن‌ها برای آنها کد می‌کنند، ما توانستیم مهارکننده‌های خود را برای اتصال قوی به این پروتئین‌های خاص بهینه کنیم.
برای کاهش احتمال مقاومت باکتری ها در برابر این بازدارنده ها، مناطقی از ژنوم آنها را هدف قرار دادیم که پروتئین های حیاتی برای بقای آنها را کد می کند. با تداخل در نحوه انجام عملکردهای مهم باکتری ها، ایجاد مکانیسم هایی برای جبران آن برای آنها دشوارتر می شود. ما همچنین ترکیباتی را که متفاوت از آنتی‌بیوتیک‌های موجود عمل می‌کنند، اولویت‌بندی کردیم تا مقاومت متقاطع را به حداقل برسانیم.
در نهایت، ما آزمایش کردیم که مهارکننده‌های ما چگونه می‌توانند بر مقاومت آنتی‌بیوتیکی در E. coli غلبه کنند. ما از شبیه‌سازی‌های رایانه‌ای استفاده کردیم تا ارزیابی کنیم که تعدادی از بازدارنده‌ها چگونه در طول زمان به پروتئین‌های هدف متصل می‌شوند. یک مهارکننده به نام هسپریدین توانست قویاً به سه ژن موجود در E. coli درگیر در مقاومت که ما شناسایی کردیم متصل شود، که نشان می‌دهد ممکن است بتواند به مبارزه با سویه‌های مقاوم به آنتی‌بیوتیک کمک کند.
یک تهدید جهانی
سازمان جهانی بهداشت مقاومت ضد میکروبی را به عنوان یکی از 10 تهدید بزرگ برای سلامت جهانی رتبه بندی می کند. در سال 2019، مقاومت آنتی بیوتیکی باکتریایی حدود 4.95 میلیون نفر را در سراسر جهان کشت.
با هدف قرار دادن ژن‌های خاص مسئول مقاومت در برابر داروهای موجود، رویکرد ما می‌تواند منجر به درمان‌هایی برای چالش‌برانگیز شدن عفونت‌های باکتریایی شود که نه تنها مؤثرتر هستند، بلکه کمتر به مقاومت بیشتر کمک می‌کنند. همچنین می‌تواند به محققان کمک کند تا با تهدیدات باکتریایی در زمان تکامل آنها همگام باشند.
برخی از میکروب ها می توانند مقاومت را به میکروب های دیگر منتقل کنند.
رویکرد پیش‌بینی‌کننده ما می‌تواند با دیگر سویه‌های باکتریایی تطبیق داده شود و امکان راهبردهای درمانی شخصی‌تر را فراهم کند. در آینده، پزشکان به طور بالقوه می‌توانند درمان‌های آنتی‌بیوتیکی را بر اساس ساختار ژنتیکی خاص باکتری‌های عامل عفونت انجام دهند که به طور بالقوه منجر به نتایج بهتری می‌شود.
از آنجایی که مقاومت آنتی‌بیوتیکی در سطح جهان همچنان در حال افزایش است، یافته‌های ما ممکن است ابزار مهمی در مبارزه با این تهدید باشد. قبل از استفاده از روش های ما در کلینیک، به توسعه بیشتر نیاز است. اما با جلوتر ماندن از تکامل باکتری‌ها، مهارکننده‌های هدفمند می‌توانند به حفظ اثربخشی آنتی‌بیوتیک‌های موجود و کاهش انتشار سویه‌های مقاوم کمک کنند.
