شبكة عصبية مستنيرة بالتمثيل الغذائي تحدد المسارات المؤثرة في فعالية وسُمّية تراكيب مضادات الميكروبات

لماذا هذا مهم لصحة الناس اليومية

مع تزايد الإصابات التي تتوقف عن الاستجابة لمضاداتنا الحيوية الاعتيادية، يتجه الأطباء بدرجة أكبر إلى تراكيب من الأدوية. لكن خلط الأدوية يمكن أن يكون سيفًا ذا حدين: الزوج المناسب قد يقضي على البكتيريا المستعصية، بينما المزيج الخاطئ قد يضر بأعضاء مثل الكلى والكبد. تقدم هذه الدراسة نهجًا حاسوبيًا جديدًا، يُسمى CALMA، مصممًا لمساعدة العلماء والأطباء على العثور على تراكيب دوائية قوية ضد الميكروبات ولطيفة أكثر على المرضى.

مكافحة الجراثيم بدون الاعتماد على التجربة والخطأ

تقليديًا، كان اكتشاف تراكيب فعالة من المضادات الحيوية يتطلب اختبار أعداد هائلة من أزواج أو ثلاثيات الأدوية في المختبر والمرضى. عدد التركيبات الممكنة يتصاعد بشكل هائل مع كل دواء يُضاف، مما يجعل الاختبار التجريبي الشامل غير واقعي. فوق ذلك، تركز معظم الأدوات الحالية فقط على مدى قوة مزيج ما في قتل البكتيريا، متجاهلة كيفية تأثيره على أنسجة الإنسان. يجادل المؤلفون بأنه لتصميم علاجات أفضل، علينا أن نأخذ في الاعتبار جانبي المعادلة: الفاعلية ضد المسبب والسلامة للبشر.

نموذج ذكي يفهم كيمياء الخلية

يجمع CALMA بين فكرتين قويتين. أولاً، يستخدم خرائط مفصّلة للأيض الخلوي تصف كيف يحول الكائن الغذاء إلى طاقة ولبنات بناء. تصف هذه الخرائط، المصممة لبكتيريا مثل Escherichia coli وجرثومة السل، كيف تتغير آلاف التفاعلات الكيميائية عند وجود دواء. ثانيًا، يُدخِل CALMA هذه المحاكاة في شبكة عصبية اصطناعية تُحاكي في بنيتها المسارات الأيضية. عن طريق تجميع المعلومات وفقًا للمسارات البيولوجية المعروفة — مثل إنتاج الطاقة أو إعادة تدوير النيوكليوتيدات — يتعلم النموذج أنماطًا تربط مسارات محددة إما بالقتل الفعال للبكتيريا أو بالتأثيرات الضارة على خلايا الإنسان.

مسح مشهد تراكيب الأدوية

باستخدام بيانات من تجارب سابقة وقواعد بيانات سلامة كبيرة، درّب الباحثون CALMA ليمنح كل تركيبة دوائية درجتين: واحدة لمدى مهاجمتها للبكتيريا وأخرى لاحتمال سمّيتها للإنسان. رسم هذه الدرجات يُشكّل منظرًا حيث تقع أفضل المرشحين في الجهة السفلية اليسرى — قوية ضد الميكروبات ومعتدلة على خلايا الإنسان. عندما طبقوا CALMA على 35 دواءً ذا صلة سريرية، قصر الأداة ما يقرب من 600 زوج محتمل إلى مجموعة صغيرة من الخيارات الواعدة، مخفّضة فضاء البحث التجريبي بنحو 97 بالمئة. من بين الاقتراحات العليا كانت تراكيب تشمل مضادات شائعة مثل أزيثرومايسين، فانكوميسين، أيزونيازيد، وتريمثوبريم.

من تنبؤات الحاسوب إلى اختبارات المختبر والمرضى الواقعيين

تجاوز الفريق المحاكاة لاختبار عدة تراكيب متوقعة في خطوط خلايا الكلى والكبد. وجدوا أن أزواجًا معينة، بما في ذلك أزيثرومايسين مع فانكوميسين وأيزونيازيد مع تريمثوبريم، كانت أقل سمّية للخلايا البشرية من الأدوية المفردة بمفردها، بينما احتفظت بالنشاط ضد E. coli. سمح تصميم CALMA أيضًا للباحثين بفحص أي المسارات الأيضية تقود السمّية. برز مسار يعيد تدوير لبنات بناء DNA، المعروف بإنقاذ النيوكليوتيدات، كلاعب رئيسي: تعديل هذا المسار في تجارب الخلايا غيّر مدى ضرر بعض التراكيب. وأخيرًا، فحص المؤلفون سجلات صحية لمئات الآلاف من المرضى ولاحظوا أن الأشخاص الذين تلقوا أزيثرومايسين مع فانكوميسين كان لديهم مشاكل كلوية موثقة أقل من مرضى مشابهين على فانكوميسين وحده، مما يعكس نتائج المختبر.

ما الذي يعنيه هذا للعلاجات المستقبلية

لغير المتخصص، يمكن التفكير في CALMA كمرشح ذكي يفهم ما يكفي من البيولوجيا ليقترح أي تراكيب الأدوية تستحق الاختبار أولًا. بدلًا من خلط المضادات الحيوية عشوائيًا على أمل النجاح، يمكن للباحثين التركيز على التراكيب التي تتنبأ النماذج بأنها ستصيب نقاط ضعف بكتيرية مع تجنيب المسارات البشرية الحساسة. على الرغم من أن الطريقة تعتمد على البيانات المتاحة وليست مثالية، فإنها تقدم مسارًا أكثر عقلانية لتصميم علاجات مركبة. مع مرور الوقت، قد تساعد أدوات مثل CALMA الأطباء على علاج العدوى المقاومة بأمان أكبر، وتقليل التجربة والخطأ في تطوير الأدوية، وحتى التكيّف مع أمراض أخرى حيث تكون تراكيب العلاج والآثار الجانبية مصدر قلق رئيسي.

الاستشهاد: Arora, H.S., Lev, K., Robida, A. et al. A Metabolism-Informed Neural Network Identifies Pathways Influencing the Potency and Toxicity of Antimicrobial Combinations. npj Drug Discov. 3, 11 (2026). https://doi.org/10.1038/s44386-026-00042-9

الكلمات المفتاحية: تركيبات المضادات الحيوية, سمّية الأدوية, الشبكات العصبية الاصطناعية, الأيض, مقاومة الميكروبات