Zakażenia oporne na leki-szczególnie z śmiertelnych bakterii, takich jak gruźlica i gronkowca-są rosnącym globalnym kryzysem zdrowotnym. Infekcje te są trudniejsze do leczenia, często wymagają droższych lub toksycznych leków i są odpowiedzialne za dłuższe pobyty szpitalne i wyższe wskaźniki śmiertelności. Tylko w 2021 r. 450 000 osób opracowało gruźlicę oporną na wiele leków, a wskaźnik powodzenia leczenia spadł do zaledwie 57%, według Światowej Organizacji Zdrowia.
Teraz naukowcy z Uniwersytetu w Tulane opracowali nową metodę opartą na sztucznej inteligencji, która dokładniej wykrywa genetyczne markery oporności na antybiotyki w Mycobacterium tuberculosis i Staphylococcus aureus-potencjalnie prowadzącej do szybszych i bardziej skutecznych metod leczenia.
Badanie Tulane, opublikowane w Nature Communications, wprowadza nowy model stowarzyszenia grupy (GAM), który wykorzystuje uczenie maszynowe do identyfikacji mutacji genetycznych związanych z opornością na leki. W przeciwieństwie do tradycyjnych narzędzi, które mogą błędnie powiązać niepowiązane mutacje z opornością, GAM nie opiera się na wcześniejszej wiedzy o mechanizmach oporności, co czyni go bardziej elastycznym i może znaleźć nieznane wcześniej zmiany genetyczne.
Obecne metody wykrywania oporności stosowanej przez organizacje takie jak WHO albo trwają zbyt długo-takie jak testy oparte na kulturze-lub brakuje rzadkich mutacji, jak w przypadku niektórych testów opartych na DNA. Model Tulane rozwiązuje oba problemy poprzez analizę sekwencji całego genomu i porównywanie grup szczepów bakteryjnych z różnymi wzorcami oporności w celu znalezienia zmian genetycznych, które niezawodnie wskazują na oporność na określone leki.
„Pomyśl o tym jako o użyciu całego genetycznego odcisku palca bakterii, aby odkryć, co czyni go odpornym na niektóre antybiotyki” – powiedział dr starszy autor Tony Hu, przewodniczący Prezydencki Weatherhead w dziedzinie innowacji biotechnologii i dyrektor Tulane Center for Cellular & Molecular Diagnostics. „Zasadniczo uczymy komputera, aby rozpoznać wzorce oporu, nie potrzebując nas, aby je najpierw wskazać”.
W badaniu naukowcy zastosowali GAM do ponad 7000 szczepów MTB i prawie 4000 szczepów S. aureus, identyfikując kluczowe mutacje związane z opornością. Odkryli, że GAM nie tylko dopasowało lub przekroczyło dokładność bazy danych oporności WHO, ale także drastycznie zredukowane fałszywie pozytywne, błędnie zidentyfikowane markery oporności, które mogą prowadzić do niewłaściwego leczenia.
„Obecne testy genetyczne mogą błędnie klasyfikować bakterie jako odporne, wpływające na opiekę nad pacjentem” – powiedział główny autor Julian Saliba, absolwent w Tulane University Center for Cellular and Molecular Diagnostics. „Nasza metoda stanowi wyraźniejszy obraz, które mutacje faktycznie powodują oporność, zmniejszając błędne diagnozy i niepotrzebne zmiany w leczeniu”.
W połączeniu z uczeniem maszynowym ulepszała się możliwość przewidywania oporności za pomocą ograniczonych lub niekompletnych danych. W badaniach walidacyjnych z wykorzystaniem próbek klinicznych z Chin ulepszony model uczenia maszynowego przewyższył metody oparte na WHO w przewidywaniu oporności na kluczowe antybiotyki pierwszej linii.
Jest to znaczące, ponieważ wczesne łapanie oporności może pomóc lekarzom dostosować odpowiedni schemat leczenia przed rozprzestrzenianiem się lub pogorszeniem infekcji.
Zdolność modelu do wykrywania oporności bez konieczności zasad zdefiniowanych ekspertów oznacza również, że może być potencjalnie zastosowana do innych bakterii, a nawet w rolnictwie, gdzie oporność na antybiotyki jest również problemem w uprawach.
„Ważne jest, abyśmy wyprzedzali stale ewoluujące infekcje narkotykowe”-powiedziała Saliba. „To narzędzie może nam w tym pomóc”.