اگر تجربهٔ کار در محیطهای بالینی یا آزمایشگاههای تشخیصی را داشته باشید، این تصویر احتمالاً برایتان غریبه نیست: بیماری با عفونتی شدید بستری میشود. نمونه به بخش میکروبیولوژی میرسد و عقربهها شروع به حرکت میکنند؛ ۲۴ تا ۷۲ ساعت انتظار برای رشد باکتری و انجام آنتیبیوگرام (AST).
در تمام این ساعتهای حیاتی، بالینشناس در برزخِ یک تصمیم سخت مانده است. چارهای نیست جز شروع درمان تجربی (Empirical Therapy) با آنتیبیوتیکهای وسیعالطیف. اما این تصمیم، گاهی تیر در تاریکی رها کردن است؛ نه تنها ممکن است درمان را به تأخیر بیندازد، بلکه خود سوختی میشود برای موتور مقاومت دارویی (AMR).
مقاومت میکروبی دیگر یک تهدید تئوریک در مقالهها نیست. یک بحران خاموش است که پیشبینیها میگویند تا سال ۲۰۵۰ میتواند سالانه ۱۰ میلیون قربانی بگیرد. در این نقطه است که ترکیب هوش مصنوعی (AI) و بیوانفورماتیک، نه به عنوان یک متد تکنولوژیک، بلکه به عنوان یک نیاز حیاتی وارد میدان میشود.
در سالهای اخیر، روشهای توالییابی (NGS و WGS) تحول بزرگی ایجاد کردهاند. خواندن تمام شناسنامهٔ ژنتیکی یک باکتری حالا نه ماهها، بلکه ظرف چند ساعت و با هزینهٔ منطقی ممکن شده است. اما در کنار این دستاورد، با چالش جدیدی روبهرو شدهایم: سیلِ دادهها (Data Overload).
شناسایی جهشهای نقطهای (SNPs)، ژنهای مقاومت و پمپهای افلاکس در میان اقیانوسی از حروف ژنتیکی، بدون کمکِ خطلولههای بیوانفورماتیکی، غیرممکن است. بیوانفورماتیک این دادههای خام را مرتب میکند و با پایگاههایی مثل CARD یا ResFinder میسنجد.
اما یک معمای بزرگِ بالینی همچنان باقی میماند: «حضور یک ژن مقاومت روی برگهٔ آزمایش، لزوماً به معنی فعال بودن آن در بدن بیمار نیست.» فاصلهٔ میان ژنوتیپ (آنچه در ژنهاست) و فنوتیپ (آنچه در عمل رخ میدهد) همانجایی است که هوش مصنوعی وارد بازی میشود.
هوش مصنوعی و یادگیری عمیق (Deep Learning) صرفاً ابزارهای آماری ساده نیستند؛ آنها یاد میگیرند روابط پیچیده و غیرخطیِ میان ژن و رفتار زیستی باکتری را رمزگشایی کنند. سه کاربرد اصلی که بازی را تغییر میدهند:
۱. پیشبینی MIC در چند ثانیه: مدلهای هوش مصنوعی با دیدن کدهای ژنومی باکتریهایی مثل Acinetobacter baumannii یا Klebsiella pneumoniae، بدون نیاز به صبر برای رشد باکتری، عدد دقیق MIC را برای انواع داروها با دقت شگفتانگیزی تخمین میزنند.
۲. بینایی ماشین (Computer Vision): پردازش تصویر میتواند مراحل خوانش دیسک دیفیوژن را بدون خطای انسانی انجام دهد. حتی در سطحی پیشرفتهتر، هوش مصنوعی میتواند تشکیل «میکروکلونیها» را در همان ساعات ابتدایی کشت رصد کند و زمان جوابدهی را به شدت کاهش دهد.
۳. شکار داروهای جدید (In Silico): شاید درخشانترین کاربردش، غربالگری میلیونها ساختار شیمیایی در فضای مجازی باشد. این همان مسیری است که آنتیبیوتیکهایی مثل Halicin و Abaucin را به دنیا معرفی کرد؛ کشف مولکولهایی که با روشهای سنتی شاید دههها زمان میبرد.
با وجود تمام این هیجانها، نباید نگاهی سادهانگارانه داشته باشیم:
مسئله جعبه سیاه (Black Box): برای پزشک مهم است که بداند «چرا» مدل یک سویه را مقاوم پیشبینی کرده است. هوش مصنوعیِ قابل توضیح (XAI) لازمهٔ اعتمادسازی در بالین است.
سوگیری دادهها (Data Bias): پایگاههای داده ژنومی به شدت به سمت کشورهای توسعهیافته متمایلاند و الگوهای اپیدمیولوژیکِ منطقهٔ ما در آنها کمرنگ است. ما به پایگاههای داده بومی نیاز داریم.
زیرساخت آزمایشگاهی: هوش مصنوعی باید از دلِ مقالهها خارج شده و به رابطهای کاربریِ ساده در آزمایشگاههای روتین تبدیل شود.
تلفیق میکروبیولوژی بالینی با بیوانفورماتیک و هوش مصنوعی، به هیچوجه به معنای حذف نقش متخصصین آزمایشگاه نیست؛ بلکه مجهز کردن آنها به یک «چشم الکترونیکی فوقسریع» برای تصمیمگیری است.
ما در آستانهٔ گذار از «تشخیص منفعل» به «پیشبینی فعال» هستیم. حرکت به سمت ابزارهای سبکتر، در دسترستر و محاسباتی، تنها راهی است که میتوانیم در مسابقهٔ تسلیحاتی با باکتریها، یک گام جلوتر بمانیم.
محمدرضا رحیمی
پژوهشگر میکروبشناسی پزشکی / کارشناس علوم آزمایشگاهی
