AI kunne hjælpe med at bekæmpe lægemiddelresistente superbugs, siger Duke biomedicinske ingeniører
Udgivelsesdato:DURHAM – Biomedicinske ingeniører ved Duke University har vist, at forskellige stammer af det samme bakterielle patogen kan skelnes ved en maskinlæringsanalyse af deres vækstdynamik alene, som så også nøjagtigt kan forudsige andre egenskaber såsom resistens over for antibiotika. Demonstrationen kunne pege på metoder til at identificere sygdomme og forudsige deres adfærd, der er hurtigere, enklere, billigere og mere præcise end de nuværende standardteknikker.
Resultaterne vises online den 3. august i Proceedings of the National Academy of Sciences.
I det meste af mikrobiologiens historie har identifikation af bakterier været afhængig af dyrkning af kulturer og analyse af de fysiske træk og adfærd af den resulterende bakteriekoloni. Det var ikke før for nylig, at videnskabsmænd blot kunne køre en genetisk test.
Genetisk sekventering er dog ikke universelt tilgængelig og kan ofte tage lang tid. Og selv med evnen til at sekventere hele genomer, kan det være svært at knytte specifikke genetiske variationer til forskellig adfærd i den virkelige verden.
For eksempel, selvom forskerne kender de genetiske mutationer, der hjælper med at skærme/beskytte bakterier fra beta-lactam-antibiotika - det mest almindeligt anvendte antibiotikum i verden - nogle gange er DNA'et ikke hele historien. Mens en enkelt resistent bakterie normalt ikke kan overleve en dosis antibiotika alene, kan store populationer ofte.
Lingchong dig, professor i biomedicinsk teknik ved Duke, og hans kandidatstuderende, Carolyn Zhang, spekulerede på, om et nyt twist på ældre metoder kunne fungere bedre. Måske kunne de forstærke en specifik fysisk egenskab og bruge den til ikke kun at identificere patogenet, men til at lave et kvalificeret gæt om andre egenskaber såsom antibiotikaresistens.
"Vi troede, at den lille variation i generne mellem bakteriestammer kunne have en subtil effekt på deres stofskifte," sagde du. "Men fordi bakteriel vækst er eksponentiel, kan den subtile effekt forstærkes nok til, at vi kan drage fordel af den. For mig er den opfattelse noget intuitiv, men jeg var overrasket over, hvor godt det faktisk fungerede."
Hvor hurtigt en bakteriekultur vokser i et laboratorium afhænger af rigdommen af mediet, den vokser i, og dets kemiske miljø. Men efterhånden som befolkningen vokser, forbruger kulturen næringsstoffer og producerer kemiske biprodukter. Selvom forskellige stammer starter med nøjagtig de samme miljøforhold, ophobes subtile forskelle i, hvordan de vokser og påvirker deres omgivelser, over tid.
I undersøgelsen tog You og Zhang mere end 200 stammer af bakterielle patogener, hvoraf de fleste var variationer af E coli, satte dem ind i identiske vækstmiljøer og målte omhyggeligt deres befolkningstæthed, efterhånden som den steg. På grund af deres små genetiske forskelle voksede kulturerne i anfald og starter, hver med et unikt tidsmæssigt udsvingsmønster. Forskerne fodrede derefter vækstdynamikkens data ind i et maskinlæringsprogram, som lærte sig selv at identificere og matche vækstprofilerne til de forskellige stammer.
Til deres overraskelse fungerede det rigtig godt.
"Ved brug af vækstdata fra kun én indledende tilstand var modellen i stand til at identificere en bestemt stamme med mere end 92 procent nøjagtighed," sagde du. "Og da vi brugte fire forskellige startmiljøer i stedet for ét, steg den nøjagtighed til omkring 98 procent."
Idet du tog denne idé et skridt videre, så du og Zhang derefter for at se, om de kunne bruge vækstdynamiske profiler til at forudsige en anden fænotype - antibiotikaresistens.
Forskerne indlæste igen et maskinlæringsprogram med vækstdynamiske profiler fra alle på nær én af de forskellige stammer, sammen med data om deres modstandsdygtighed over for fire forskellige antibiotika. De testede derefter for at se, om den resulterende model kunne forudsige den endelige stammes antibiotikaresistens ud fra dens vækstprofil. For at samle deres datasæt gentog de denne proces for alle de andre stammer.
Resultaterne viste, at den vækstdynamiske profil alene kunne forudsige en stammes resistens over for antibiotika 60 til 75 procent af tiden.
"Dette er faktisk på niveau med eller bedre end nogle af de nuværende teknikker i litteraturen, herunder mange, der bruger genetiske sekventeringsdata," sagde You. "Og dette var bare et principbevis. Vi tror på, at med højere opløsningsdata om vækstdynamikken kan vi gøre et endnu bedre stykke arbejde på lang sigt."
Forskerne så også efter, om de stammer, der udviser lignende vækstkurver, også havde lignende genetiske profiler. Som det viser sig, er de to fuldstændig ukorrelerede, hvilket endnu en gang viser, hvor svært det kan være at kortlægge cellulære træk og adfærd til specifikke DNA-strækninger.
Fremadrettet planlægger du at optimere vækstkurveproceduren for at reducere den tid, det tager at identificere en stamme fra 2 til 3 dage til måske 12 timer. Han planlægger også at bruge high-definition-kameraer for at se, om kortlægning af, hvordan bakteriekolonier vokser i rummet i en petriskål, kan hjælpe med at gøre processen endnu mere nøjagtig.
Denne forskning blev udført i samarbejde med grupper af Deverick J. Anderson, Joshua T. Thaden og Vance G. Fowler fra Duke University School of Medicine og Minfeng Xiao fra BGI Genomics.
Denne forskning blev delvist støttet af National Institutes of Health (LY, R01GM098642, R01GM110494, 1A1125604), Army Research Office (LY, W911NF-14-1-0490), David and Lucile Packard Foundation, Shenzhen Peacock Team Plan-bevillingen (MX, nr. KQTD2015033117210153), Centers for Disease Control and Prevention (DJA, U54CK000164), AHRQ (DJA, R01-HS23821), NIH (VGF, R01-AI068804) og National Science Fellowship Graduate (CZ) HRM).
"Tidsmæssig kodning af bakteriel identitet og træk i vækstdynamik." Carolyn Zhang, Wenchen Song, Helena R. Ma, Xiao Peng, Deverick J. Anderson, Vance G. Fowler Jr, Joshua T. Thaden, Minfeng Xiao og Lingchong You. PNAS, 2020. DOI: 10.1073/pnas.2008807117
(C) Duke University
Original artikelkilde: WRAL TechWire