الذكاء الاصطناعي يساعد علماء البكتيريا على التنبؤ بمقاومة إي. كولاي للأدوية المضادة للبكتيريا في البيئات الزراعية

تساعد تقنية الذكاء الاصطناعي العلماء في التنبؤ بمقاومة البكتيريا لإشريكية القولون (E. coli) للمضادات الحيوية في البيئة الزراعية. إشريكية القولون هي نوع شائع من البكتيريا التي تعيش في أمعاء الإنسان والحيوان، وتُستخدم غالبًا للكشف عن التلوث البرازي في البيئة. بالإضافة إلى ذلك، يمكن لهذه البكتيريا أن تطور مقاومة للمضادات الحيوية بسهولة، مما يجعلها مناسبة لاختبار المقاومة المضادة للميكروبات، خاصة في البيئات الزراعية حيث يتم استخدام المواد البرازية كسماد أو إعادة استخدام مياه الصرف الصحي. تُعد الطرق التقليدية لتحليل المقاومة المضادة للميكروبات في المختبرات مكلفة للغاية وتحتاج إلى وقت طويل، مما يجعلها غير عملية للرقابة على نطاق واسع. لذلك، يسعى الباحثون إلى تطوير طرق أسرع باستخدام تسلسل الجينوم بأكمله (WGS) ونمذجة التنبؤ. قام الباحثون من جامعة الفلبين في ديليمان، وهم ماركو كريستوفر لوبيز ودكتور بييرانجيلي فيتال من معهد البحوث العلمية الطبيعية لكلية العلوم (UPD-CS NSRI)، ودكتور جوزيف ريان لانساغان من كلية الإحصاء في الجامعة نفسها، باختبار العديد من نماذج التنبؤ بالذكاء الاصطناعي لتحديد مقاومة إشريكية القولون للمضادات الحيوية باستخدام البيانات الوراثية ونتائج الاختبارات المخبرية من قاعدة بيانات المركز الوطني للتكنولوجيا الحيوية (NCBI). "اخترنا النماذج بناءً على قدرتها على التعامل مع البيانات البيولوجية والغير متوازنة"، قال دكتور فيتال. "كانت هذه النماذج مختارة لمقارنة الأداء عبر استراتيجيات التعلم المختلفة ولتحديد أي منها يناسب بشكل أفضل التنبؤ بمقاومة المضادات الحيوية." النماذج المستخدمة في البحث تشمل الغابات العشوائية (Random Forest) التي تناسب البيانات ذات الأبعاد العالية، وآلة المتجهات الداعمة (Support Vector Machine) التي تتفوق في مهام التصنيف، خاصة عند التعامل مع حدود قرار معقدة، بالإضافة إلى طريقتين مركبتين هما التعزيز التكيفي (Adaptive Boosting) والتعزيز التدرج المُتطرف (Extreme Gradient Boosting) اللتان تعززان الدقة من خلال التركيز على العينات الصعبة التصنيف. أظهرت هذه النماذج الدقة العالية في التنبؤ بمقاومة الاستربتومايسين والتتراسيكلين، حيث تمكنت من التمييز بشكل موثوق بين السلالات المقاومة والمُستجيبة. ومع ذلك، كان التنبؤ بمقاومة السيفلوكساسين الأكثر تحديًا بسبب قلة العينات المقاومة في البيانات ( فقط 4% )، مما أدى إلى صعوبة في تحديد المقاومة وانخفاض حساسية النموذج. بين النماذج، أظهر التعزيز التكيفي والتعزيز التدرج المُتطرف أداءً ثابتًا وجيدًا حتى عند اختبار البيانات غير المتوازنة. "نعتقد أن هذه الاستراتيجية لديها إمكانات كبيرة للرصد الفوري لمقاومة المضادات الحيوية، خاصة في القطاع الزراعي"، قال دكتور فيتال، مشددًا على إمكانية استخدام نماذج التنبؤ بالذكاء الاصطناعي في هذا القطاع. "عندما تصبح تسلسل الحمض النووي أسرع وأرخص، يمكن لنماذج التنبؤ مثل نموذجنا الكشف عن البكتيريا المقاومة في وقت مبكر—قبل أن تسبب انتشار الأمراض. وهذا يمكن أن يساعد في صنع قرارات أفضل في برامج سلامة الغذاء والزراعة والصحة العامة." يُوصي الباحثون بتشمل المزيد من أنواع العينات والبيانات المتنوعة، مثل البيانات الميتاجينومية (Metagenomic Data)، وهي الحمض النووي من جميع الميكروبات في العينة، لفهم أفضل وكيفية تطور المقاومة لدى البكتيريا. كما أبرز دكتور فيتال قيمة التعاون بين التخصصات، مثل العمل المشترك بين علماء الميكروبيولوجيا والإحصائيين في هذا البحث. "بالإضافة إلى ذلك، فإن دمج المفاهيم (الميكرو)بيولوجية مع الإحصاء ونمذجة التنبؤ يُمكن أن يؤدي إلى نتائج مؤثرة ومفيدة للمجتمع، في هذا السياق، سلامة الغذاء الزراعي." لمزيد من المعلومات، يمكن الرجوع إلى الدراسة المنشورة في مجلة الميكروبيولوجيا الماليزية (Malaysian Journal of Microbiology)، تحت عنوان "نماذج التنبؤ بمقاومة المضادات الحيوية لإشريكية القولون في البيئة الزراعية حول مانيلا الكبرى، الفلبين" (2025). يمكن الوصول إلى الدراسة عبر الرابط التالي: DOI: 10.21161/mjm.240650.