Antibiyotik Nedir?
Çeşitli mikroorganizmalar aracılığıyla kimyasal ya da biyosentez yoluyla elde edilen bakterilerle savaşan maddeye antibiyotik denilir. En bilindik antibiyotik Sir Aleksander Fleming tarafından ekmekteki yeşil küf sayesinde keşfedilen penisilindir.
Antibiyotik Direnci nedir?
Bakterilerin zamanla antibiyotiğe karşı bir direnç geliştirmesiyle, antibiyotik bakterilerle savaşma yeteneğini kaybeder. Antibiyotik direncinin artması ve antibiyotiğin iyileştirme gücünün azalmasıyla tüberküloz, salmonella, zaatüre benzeri enfeksiyonel hastalıkların tedavisi zorlaşmaktadır. Bu durum her yaştan ve her ülkeden herkesi etkileyebilecek bir tehlikedir. Antibiyotik direnci gelişmesinin doktor tavsiyesi olmadan antibiyotik kullanımı, bilinçsiz antibiyotik kullanımı, gıda endüstrisinde kullanılan antibiyotikler gibi birçok nedeni vardır. Antibiyotik direncinin 2050’ye dek 10 milyon insanın ölümüne sebebiyet vereceği düşünülmektedir.
Makine Öğrenmesi Antibiyotik Direnciyle Nasıl Savaşabilir?
Antibiyotik direnci olan bir bakteriyle baş ediyorsanız tedavisi için doktorun hangi antimikrobiyal ilacın özgül patojeninizi öldürmek için en iyi seçenek olduğuna karar vermesi gerekiyor. Bu süreç ise tahmin edebileceğiniz üzere tahmin ve bazen de deneme yanılma oluyor. Pek çok şeyde olduğu gibi bu konuda da “Yeni teknolojileri kullanarak işimizi kolaylaştırabilir miyiz?” sorusu akla geliyor. Peki bu süreci daha verimli kılmak için ne yapabiliriz? Mesela, makine öğrenmesini en ideal antibiyotiği bulmak için kullanabilir miyiz?
Bu konuda Argonne Ulusal Laboratuvarı’nda bir biyolog olan James Davis’in yürüttüğü çalışmada arraştırmacılar, ABD Gıda ve İlaç İdaresi Ulusal Antimikrobiyal Direnç İzleme Sisteminden gelen 5,278 Salmonella genomunu, minimum inhibitör konsantrasyonları veya MIC’lerle (minimum inhibition concentration-en düşük yoğunluklu bakteristatik etkili ilaç) birlikte, 15 antibiyotikte test etti.
Araştırmacılar, bu genlerin her birini üst üste binen 10 metreye bölmek için K-mer Sayacı (KMC) adlı bir program kullandılar. Örneğin, eğer AAAAAGGGGGTTTTTTCCCCC ile başlayan bir varsayımsal dizilim ilk 10-mer (parça) , AAAAAGGGGG, AAAAGGGGGG, AAAGGGGGTT vb. Olacak ve her seferinde bir temelden başlayarak devam edecektir. Daha sonra bilgisayar, her bir genomda belirli bir 10 mer’in kaç kez göründüğünü saydı: AAAAAGGGGG, AAAAGGGGGT, AAAGGGGGGTT ve benzeri merler görüldü. Bunlar, MIC’leri kendi başına tahmin etmeleri konusunda eğitmek için MIC verileriyle birlikte makine öğrenme algoritmasına verilen özellikler.
Ekip, aşırı degrade yükseltme (XGBoost) adı verilen bir makine öğrenme algoritması uyguladı. Bu 10 mer sayısını kullanarak, bilgisayar doğru MIC’leri tahmin etmek için karar ağaçları tasarlar. Her karar noktası, verilen bir genomu çeşitli ilaçlara dirençli veya duyarlı olarak sınıflandırmasına yardımcı olmak için 10 mer’den birini kullanır. Algoritma daha sonra her 10 mer için farklı önem dereceleri atar ve ağaçları, gerçek MIC’lere kıyasla MIC tahminleri için yapabileceği en düşük hatayı elde edinceye kadar “artırma” adı verilen turlarda tekrar tekrar tasarlar. Araştırmacılar algoritmayı 10 kez çalıştırdılar ve her seferinde veri setlerinin farklı bir onda birini çıkarttılar. Bilgisayarı verinin diğer yüzde 90’ı üzerinde eğitiyorlardı, ardından doğruluğunu test etmek için kalan yüzde 10’u kullanıyorlardı.
Tamamen yeni bir genom verildiğinde, program, suşun (Tümü tek bir hücreden oluşmuş mikroorganizma. Klon.)hangi ilaçlara karşı dirençli veya duyarlı olacağını, ilgili dozu tahmin eder. Takımın testinde, yüzde 10’luk suşlarda gerginlikle birlikte, algoritma yüzde 95 oranında doğruydu.
Araştırmacılar, her bir patojen genomu için 15-mer ile testlerini tekrarlayarak ve her bir antibiyotiği ayrı ayrı göz önüne alarak, her ilaca direnç veya duyarlılıkla ilişkili DNA parçacıkları tanımladı. Bu 15-mer’i Salmonella sekansıyla karşılaştıran araştırmacılar, bu tahminleri yaparken hangi genlerin en önemli olduğunu bulmaya başladı.
Yani, kısaca özetlememiz gerekirse bu çalışmada araştırmacılar bakterinin dnasını ve ilaçları makine öğrenmesi yardımıyla inceleyerek her bir bakteri için en ideal reçeteyi oluşturmaya çalıştı.
Bu konuda benzer araştırma da California San Diego Üniversitesi’nde tüberküloza neden olan mikrop ile test edildi ve çalışma Nature dergisinde yayınlandı. Salmonella hakkındaki olan çalışmayla yakın sonuçlar doğuran bu deney hakkında UC San Diego Jacobs Mühendislik Fakültesi Biyomühendislik Profesörü Bernhard Palsson,
“Bu, patojeniz için kişisel tedavi fırsatları yaratabilir. Her suş farklıdır ve farklı şekilde tedavi edilmelidir” dedi. “Bu makine sayesinde pan-genomun (bakteri türlerinin tüm suşlarındaki bütün genlerin tamamı) öğrenilmesi analizi, bu suşları farklı kılan özellikleri daha iyi anlayabiliriz.” Diye bahsetti.
Bu tedavi biçimleri henüz yalnızca araştırma olsa da aynı zamanda ileride hastalığımız için en geçerli ilacı bir makine yardımıyla öğreneceğimiz bir gelecekten haber veriyor gibi.
Kaynakça ve İleri Okuma:
https://www.who.int/news-room/fact-sheets/detail/antibiotic-resistance
https://phys.org/news/2018-10-machine-antibiotic-resistance-genes-tuberculosis-causing.html
https://www.the-scientist.com/lab-tools/using-machine-learning-to-battle-antibiotic-resistance-65785?utm_content=92341734&utm_medium=social&utm_source=twitter&hss_channel=tw-18198832
https://eksisozluk.com/entry/15340815
http://www.mikrobiyoloji.org/TR/Genel/IcerikHarf.aspx?F6E10F8892433CFFA79D6F5E6C1B43FF8AC99EA53C5F46AC
