एंटीबायोटिक्स कैसे कार्य करते हैं, इसकी पूरी तस्वीर चित्रित करना

मशीन लर्निंग से दवाओं से बाधित चयापचय पथ का पता चलता है, प्रतिरोध का मुकाबला करने के लिए नए लक्ष्य प्रदान करना. अधिकांश एंटीबायोटिक्स डीएनए प्रतिकृति या जीवाणु कोशिका दीवार के निर्माण जैसे महत्वपूर्ण कार्यों में हस्तक्षेप करके काम करते हैं. तथापि, ये तंत्र एंटीबायोटिक्स कैसे कार्य करते हैं इसकी पूरी तस्वीर का केवल एक हिस्सा दर्शाते हैं.

एंटीबायोटिक कार्रवाई के एक नए अध्ययन में, एमआईटी शोधकर्ताओं ने एक अतिरिक्त तंत्र की खोज के लिए एक नया मशीन-लर्निंग दृष्टिकोण विकसित किया है जो कुछ एंटीबायोटिक दवाओं को बैक्टीरिया को मारने में मदद करता है. इस द्वितीयक तंत्र में न्यूक्लियोटाइड के जीवाणु चयापचय को सक्रिय करना शामिल है जिसकी कोशिकाओं को अपने डीएनए को दोहराने के लिए आवश्यकता होती है.

“नशीले पदार्थों के तनाव के परिणामस्वरूप कोशिका पर नाटकीय रूप से ऊर्जा की माँग होती है. इन ऊर्जा मांगों के लिए चयापचय प्रतिक्रिया की आवश्यकता होती है, और कुछ चयापचय उपोत्पाद जहरीले होते हैं और कोशिकाओं को मारने में मदद करते हैं,जेम्स कोलिन्स कहते हैं, एमआईटी के मेडिकल इंजीनियरिंग और विज्ञान संस्थान में मेडिकल इंजीनियरिंग और विज्ञान के टर्मियर प्रोफेसर (IME में) और जैविक इंजीनियरिंग विभाग, और अध्ययन के वरिष्ठ लेखक. कोलिन्स स्वास्थ्य में मशीन लर्निंग के लिए अब्दुल लतीफ़ जमील क्लिनिक के संकाय सह-प्रमुख भी हैं.

इस तंत्र का उपयोग करने से शोधकर्ताओं को नई दवाओं की खोज करने में मदद मिल सकती है जिनका उपयोग एंटीबायोटिक दवाओं के साथ उनकी मारक क्षमता को बढ़ाने के लिए किया जा सकता है, शोधकर्ताओं का कहना है.

जेसन यांग, एक IMES अनुसंधान वैज्ञानिक, कागज के प्रमुख लेखक हैं, जो मई में दिखाई देता है 9 मुददा कोशिका. अन्य लेखकों में सारा राइट शामिल हैं, हाल ही में MIT MEng प्राप्तकर्ता; मेगन हैम्ब्लिन, एक पूर्व ब्रॉड इंस्टीट्यूट अनुसंधान तकनीशियन; मिगुएल अल्कांतर, एक एमआईटी स्नातक छात्र; एलिसन लोपाटकिन, एक IMES पोस्टडॉक; नोवो नॉर्डिस्क फाउंडेशन सेंटर फॉर बायोसस्टेनेबिलिटी के डगलस मैकक्लोस्की और लार्स श्रुबर्स; संगीता सतीश और अमीर नीली, दोनों बोस्टन विश्वविद्यालय से हाल ही में स्नातक हुए हैं; बर्नहार्ड पाल्सन, सैन डिएगो में कैलिफोर्निया विश्वविद्यालय में बायोइंजीनियरिंग के प्रोफेसर; और ग्राहम वाकर, जीवविज्ञान के एक एमआईटी प्रोफेसर.

"व्हाइट-बॉक्स" मशीन-लर्निंग

कोलिन्स और वॉकर ने कई वर्षों तक एंटीबायोटिक कार्रवाई के तंत्र का अध्ययन किया है, और उनके काम से पता चला है कि एंटीबायोटिक उपचार से बहुत अधिक सेलुलर तनाव पैदा होता है जो बैक्टीरिया कोशिकाओं पर भारी ऊर्जा की मांग करता है. नए अध्ययन में, कोलिन्स और यांग ने यह जांचने के लिए मशीन-लर्निंग दृष्टिकोण अपनाने का निर्णय लिया कि यह कैसे होता है और इसके परिणाम क्या होते हैं.

इससे पहले कि वे अपना कंप्यूटर मॉडलिंग शुरू करें, शोधकर्ताओं ने सैकड़ों प्रयोग किए इ. कोलाई. उन्होंने बैक्टीरिया का इलाज तीन एंटीबायोटिक दवाओं में से एक - एम्पीसिलीन से किया, सिप्रोफ्लोक्सासिं, या जेंटामाइसिन, और प्रत्येक प्रयोग में, उन्होंने इसके बारे में एक भी जोड़ा 200 विभिन्न मेटाबोलाइट्स, अमीनो एसिड की एक श्रृंखला सहित, कार्बोहाइड्रेट, और न्यूक्लियोटाइड्स (डीएनए के निर्माण खंड). एंटीबायोटिक्स और मेटाबोलाइट्स के प्रत्येक संयोजन के लिए, उन्होंने कोशिका अस्तित्व पर पड़ने वाले प्रभावों को मापा.

“हमने चयापचय गड़बड़ी के विविध सेट का उपयोग किया ताकि हम न्यूक्लियोटाइड चयापचय में गड़बड़ी के प्रभावों को देख सकें, अमीनो एसिड चयापचय, और अन्य प्रकार के मेटाबोलिक सबनेटवर्क,"ने कहा कि. "हम मौलिक रूप से यह समझना चाहते थे कि पहले से वर्णित कौन से चयापचय मार्ग हमारे लिए यह समझने के लिए महत्वपूर्ण हो सकते हैं कि एंटीबायोटिक्स कैसे मारते हैं।"

कई अन्य शोधकर्ताओं ने जैविक प्रयोगों से डेटा का विश्लेषण करने के लिए मशीन-लर्निंग मॉडल का उपयोग किया है, प्रयोगात्मक डेटा के आधार पर भविष्यवाणियां उत्पन्न करने के लिए एक एल्गोरिदम को प्रशिक्षित करके. तथापि, ये मॉडल आम तौर पर "ब्लैक-बॉक्स" होते हैं,इसका मतलब है कि वे उन तंत्रों को प्रकट नहीं करते हैं जो उनकी भविष्यवाणियों को रेखांकित करते हैं.

उस समस्या से निजात पाने के लिए, एमआईटी टीम ने एक नया दृष्टिकोण अपनाया जिसे वे "व्हाइट-बॉक्स" मशीन-लर्निंग कहते हैं. अपने डेटा को सीधे मशीन-लर्निंग एल्गोरिदम में फीड करने के बजाय, उन्होंने सबसे पहले इसे जीनोम-स्केल कंप्यूटर मॉडल के माध्यम से चलाया इ. कोलाई चयापचय जिसकी विशेषता पल्सन की प्रयोगशाला ने की थी. इससे उन्हें डेटा द्वारा वर्णित "चयापचय अवस्थाओं" की एक श्रृंखला उत्पन्न करने की अनुमति मिली. फिर, उन्होंने इन स्थितियों को मशीन-लर्निंग एल्गोरिदम में डाला, जो विभिन्न स्थितियों और एंटीबायोटिक उपचार के परिणामों के बीच संबंधों की पहचान करने में सक्षम था.

क्योंकि शोधकर्ता पहले से ही उन प्रायोगिक स्थितियों को जानते थे जो प्रत्येक राज्य को उत्पन्न करती थीं, वे यह निर्धारित करने में सक्षम थे कि कोशिका मृत्यु के उच्च स्तर के लिए कौन से चयापचय मार्ग जिम्मेदार थे.

“हम यहां जो प्रदर्शित करते हैं वह यह है कि नेटवर्क सिमुलेशन के माध्यम से पहले डेटा की व्याख्या की जाती है और फिर मशीन-लर्निंग एल्गोरिदम हमारे एंटीबायोटिक घातक फेनोटाइप के लिए एक पूर्वानुमानित मॉडल का निर्माण करता है।, जो आइटम उस पूर्वानुमानित मॉडल द्वारा चुने जाते हैं वे स्वयं सीधे उन रास्तों पर मैप होते हैं जिन्हें हम प्रयोगात्मक रूप से मान्य करने में सक्षम हैं, जो बहुत रोमांचक है,"ने कहा कि.

मार्कस गुप्त, स्टैनफोर्ड विश्वविद्यालय में बायोइंजीनियरिंग के एक एसोसिएट प्रोफेसर, कहते हैं कि यह अध्ययन यह दिखाने की दिशा में एक महत्वपूर्ण कदम है कि मशीन लर्निंग का उपयोग इनपुट और आउटपुट को जोड़ने वाले जैविक तंत्र को उजागर करने के लिए किया जा सकता है।.

“जीवविज्ञान।”, विशेष रूप से चिकित्सा अनुप्रयोगों के लिए, यह सब तंत्र के बारे में है,गुप्त कहते हैं, जो शोध में शामिल नहीं था. “आप कोई ऐसी चीज़ ढूंढना चाहते हैं जो नशीली हो. विशिष्ट जीवविज्ञानी के लिए, यह जाने बिना कि इनपुट और आउटपुट क्यों जुड़े हुए हैं, इस प्रकार के लिंक ढूंढना सार्थक नहीं है।

मेटाबोलिक तनाव

इस मॉडल ने न्यूक्लियोटाइड चयापचय की नवीन खोज को जन्म दिया, विशेष रूप से एडेनिन जैसे प्यूरीन का चयापचय, एंटीबायोटिक्स की जीवाणु कोशिकाओं को मारने की क्षमता में महत्वपूर्ण भूमिका निभाता है. एंटीबायोटिक उपचार से सेलुलर तनाव होता है, जिसके कारण कोशिकाओं में प्यूरीन न्यूक्लियोटाइड की कमी हो जाती है. इन न्यूक्लियोटाइड्स के उत्पादन को बढ़ाने के लिए कोशिकाओं के प्रयास, जो डीएनए की प्रतिलिपि बनाने के लिए आवश्यक हैं, कोशिकाओं के समग्र चयापचय को बढ़ावा देता है और हानिकारक चयापचय उपोत्पादों का निर्माण होता है जो कोशिकाओं को मार सकते हैं.

"अब हम मानते हैं कि जो हो रहा है वह इस बहुत गंभीर प्यूरीन कमी की प्रतिक्रिया में है, इससे निपटने के लिए कोशिकाएं प्यूरीन चयापचय को चालू कर देती हैं, लेकिन प्यूरीन चयापचय स्वयं बहुत ऊर्जावान रूप से महंगा है और इसलिए यह उस ऊर्जा असंतुलन को बढ़ाता है जिसका कोशिकाएं पहले से ही सामना कर रही हैं,"ने कहा कि.

निष्कर्षों से पता चलता है कि कुछ एंटीबायोटिक दवाओं को अन्य दवाओं के साथ देकर उनके प्रभाव को बढ़ाना संभव हो सकता है जो चयापचय गतिविधि को उत्तेजित करते हैं।. “अगर हम कोशिकाओं को अधिक ऊर्जावान रूप से तनावपूर्ण स्थिति में ले जा सकते हैं, और कोशिका को अधिक चयापचय गतिविधि चालू करने के लिए प्रेरित करता है, यह एंटीबायोटिक्स को शक्तिशाली बनाने का एक तरीका हो सकता है,"ने कहा कि.

इस अध्ययन में प्रयुक्त "व्हाइट-बॉक्स" मॉडलिंग दृष्टिकोण यह अध्ययन करने के लिए भी उपयोगी हो सकता है कि विभिन्न प्रकार की दवाएं कैंसर जैसी बीमारियों को कैसे प्रभावित करती हैं, मधुमेह, या न्यूरोडीजेनेरेटिव रोग, शोधकर्ताओं का कहना है. वे अब यह अध्ययन करने के लिए एक समान दृष्टिकोण का उपयोग कर रहे हैं कि कैसे तपेदिक एंटीबायोटिक उपचार से बच जाता है और दवा प्रतिरोधी बन जाता है.

स्रोत: एचटीटीपी://ऐनी ट्रैफ्टन द्वारा news.mit.edu