سامانه همایش های دانشگاه جیرفت

صفحه اصلی / سومین همایش بین المللی و چهارمین همایش ملی کشاورزی، محیط زیست و امنیت غذایی

کاربرد هوش مصنوعی در شناسایی و پیشگیری از مقاومت آنتی‌بیوتیکی

نویسندگان :

مجتبی اسدی¹ زهرا خواجه زاده یاوری²

1- دانشگاه شهید باهنر کرمان 2- دانشگاه شهید باهنر کرمان

کلمات کلیدی :

هوش مصنوعی،مقاومت آنتی بیوتیکی،AMR،تحلیل داده،یادگیری ماشین

چکیده :

هدف: مقاومت آنتی‌میکروبیال (AMR) عمدتاً ناشی از استفاده نادرست از آنتی‌بیوتیک‌هاست که باعث کاهش قابل توجه اثربخشی درمان با این داروها می‌شود. بنابراین، بررسی گسترش AMR حایز اهمیت است. الگوریتم‌های هوش مصنوعی (AI) از جمله یادگیری ماشین (ML)، قادر به تجزیه و تحلیل حجم بالای داده‌ها هستند و می‌توانند توالی‌های ژنومی باکتری‌ها را تحلیل کرده و تمایل آن‌ها به جهش و مقاومت در برابر آنتی بیوتیک را تشخیص داده و پیش‌بینی کنند. در حال حاضر، روش توالی‌یابی کل ژنوم برای آزمایش حساسیت به آنتی‌بیوتیک (WGS-AST) امکان تشخیص AMR با دقت بالا را نسبت به روش سنتی (AST) فراهم می‌آورد، اما برای استخراج اطلاعات مفید از آن نیاز به داده‌های گسترده و چندبعدی وجود دارد. به همین دلیل، از فناوری‌های هوش مصنوعی (AI) برای ارتقاء، سرعت بخشیدن و بهبود روش‌های موجود بهره‌برداری می‌شود. مواد و روش‌ها: برای انجام این مطالعه، از پایگاه‌های داده Google Scholar و PubMed و از کلمات کلیدی AMR و AI استفاده شد. یافته‌های پژوهش: هوش مصنوعی می‌تواند به منابع و بانک‌های اطلاعاتی مختلفی از جمله GenBank(حاوی توالی‌های ژنتیکی)، CLSI(سازمان تبیین استاندادهای آزمایشات میکروبیولوژی)(که میتواند به شناسایی و تحلیل مقاومت آنتی بیوتیکی کمک کند)، EMBL-EBI(حاوی داده های بیوانفورماتیک،ژنتیک و بیولوژِی) دسترسی پیدا کند. از پایگاه های داده مرتبط با هوش مصنوعی و حاوی اطلاعات مقاومت آنتی بیوتیکی می‌توان به PATRIC (حاوی اطلاعات ژنوم‌های باکتریایی با فنوتیپ مقاومت آنتی‌بیوتیکی و حداقل غلظت مهارکنندگی(MIC))، BacMet (پایگاه داده ژن‌های مقاومت به ترکیبات آنتی‌باکتریال) و CARD (حاوی اطلاعات ژن های مقاوم به آنتی بیوتیک و مکانیسم مقاومت آنها) اشاره کرد. همچنین IBM Watson نیز یک پلتفرم تجزیه و تحلیل و یادگیری ماشینی است که می‌تواند حجم عظیمی از داده‌های پزشکی و بالینی را تجزیه‌ و تحلیل کند. این فناوری‌ها با استفاده از الگوریتم‌های یادگیری عمیق (DL) و پردازش زبان طبیعی (NLP) می‌توانند به‌صورت خودکار اطلاعات مرتبط با بیماری‌ها، درمان‌ها و مقاومت آنتی بیوتیکی را شناسایی و تفسیر کنند. نتیجه‌گیری: طبق بررسی‌های انجام شده، مقالات محدودی در این زمینه تا کنون وجود دارد؛ که با توجه به اهمیت موضوع AMR و پتانسیل بالای استفاده از هوش مصنوعی در زمینه پایش داده‌های مقاومت آنتی‌بیوتیکی، لزوم کار و تحقیقات بیشتر در این زمینه را نشان می دهد.