La IA podría ayudar a combatir las superbacterias resistentes a los medicamentos, dicen los ingenieros biomédicos de Duke
Fecha de publicación:DURHAM – Ingenieros biomédicos de la Universidad de Duke han demostrado que se pueden distinguir diferentes cepas del mismo patógeno bacteriano mediante un análisis de aprendizaje automático de su dinámica de crecimiento, que luego también puede predecir con precisión otros rasgos, como la resistencia a los antibióticos. La demostración podría apuntar a métodos para identificar enfermedades y predecir sus comportamientos que sean más rápidos, más simples, menos costosos y más precisos que las técnicas estándar actuales.
Los resultados aparecen en línea el 3 de agosto en las Actas de la Academia Nacional de Ciencias.
Durante la mayor parte de la historia de la microbiología, la identificación de bacterias se ha basado en el cultivo de cultivos y el análisis de los rasgos físicos y comportamientos de la colonia bacteriana resultante. No fue hasta hace poco que los científicos pudieron simplemente realizar una prueba genética.
Sin embargo, la secuenciación genética no está disponible universalmente y, a menudo, puede llevar mucho tiempo. E incluso con la capacidad de secuenciar genomas completos, puede resultar difícil vincular variaciones genéticas específicas con diferentes comportamientos en el mundo real.
Por ejemplo, aunque los investigadores conocen las mutaciones genéticas que ayudan a proteger a las bacterias de los antibióticos betalactámicos (el antibiótico más utilizado en el mundo), a veces el ADN no es toda la historia. Si bien una sola bacteria resistente generalmente no puede sobrevivir a una dosis de antibióticos por sí sola, a menudo grandes poblaciones sí pueden hacerlo.
Lingchong tú, profesor de ingeniería biomédica en Duke, y su estudiante de posgrado, Carolyn Zhang, se preguntaron si una nueva versión de los métodos más antiguos podría funcionar mejor. Tal vez podrían amplificar una característica física específica y usarla no sólo para identificar el patógeno, sino también para hacer una suposición fundamentada sobre otros rasgos, como la resistencia a los antibióticos.
"Pensamos que la ligera variación en los genes entre cepas de bacterias podría tener un efecto sutil en su metabolismo", dijo You. “Pero como el crecimiento bacteriano es exponencial, ese efecto sutil podría amplificarse lo suficiente como para que podamos aprovecharlo. Para mí, esa noción es algo intuitiva, pero me sorprendió lo bien que funcionó”.
La rapidez con la que crece un cultivo bacteriano en un laboratorio depende de la riqueza del medio en el que crece y de su entorno químico. Pero a medida que la población crece, la cultura consume nutrientes y produce subproductos químicos. Incluso si diferentes cepas comienzan exactamente con las mismas condiciones ambientales, con el tiempo se acumulan diferencias sutiles en cómo crecen e influyen en su entorno.
En el estudio, You y Zhang tomaron más de 200 cepas de bacterias patógenas, la mayoría de las cuales eran variaciones de E. coli, los colocó en entornos de crecimiento idénticos y midió cuidadosamente su densidad de población a medida que aumentaba. Debido a sus ligeras diferencias genéticas, las culturas crecieron a trompicones, y cada una poseía un patrón de fluctuación temporal único. Luego, los investigadores introdujeron los datos de la dinámica de crecimiento en un programa de aprendizaje automático, que aprendió por sí solo a identificar y hacer coincidir los perfiles de crecimiento con las diferentes cepas.
Para su sorpresa, funcionó muy bien.
"Utilizando datos de crecimiento de una sola condición inicial, el modelo pudo identificar una cepa particular con más del 92 por ciento de precisión", dijo You. "Y cuando utilizamos cuatro entornos iniciales diferentes en lugar de uno, esa precisión aumentó a aproximadamente el 98 por ciento".
Llevando esta idea un paso más allá, You y Zhang buscaron si podían utilizar perfiles dinámicos de crecimiento para predecir otro fenotipo: la resistencia a los antibióticos.
Una vez más, los investigadores cargaron un programa de aprendizaje automático con los perfiles dinámicos de crecimiento de todas las cepas menos una, junto con datos sobre su resistencia a cuatro antibióticos diferentes. Luego probaron para ver si el modelo resultante podía predecir las resistencias a los antibióticos de la cepa final a partir de su perfil de crecimiento. Para ampliar su conjunto de datos, repitieron este proceso para todas las demás cepas.
Los resultados mostraron que el perfil dinámico de crecimiento por sí solo podía predecir con éxito la resistencia de una cepa a los antibióticos entre un 60 y un 75 por ciento de las veces.
"En realidad, esto está a la par o mejor que algunas de las técnicas actuales en la literatura, incluidas muchas que utilizan datos de secuenciación genética", dijo You. “Y esto fue sólo una prueba de principio. Creemos que con datos de mayor resolución sobre la dinámica del crecimiento, podríamos hacer un trabajo aún mejor a largo plazo”.
Los investigadores también observaron si las cepas que mostraban curvas de crecimiento similares también tenían perfiles genéticos similares. Resulta que ambos no tienen ninguna correlación, lo que demuestra una vez más lo difícil que puede ser mapear rasgos y comportamientos celulares en tramos específicos de ADN.
En el futuro, planea optimizar el procedimiento de la curva de crecimiento para reducir el tiempo que lleva identificar una cepa de 2 a 3 días a quizás 12 horas. También planea usar cámaras de alta definición para ver si mapear cómo crecen las colonias bacterianas en el espacio en una placa de Petri puede ayudar a que el proceso sea aún más preciso.
Esta investigación se realizó en colaboración con grupos de Deverick J. Anderson, Joshua T. Thaden y Vance G. Fowler de la Facultad de Medicina de la Universidad de Duke y Minfeng Xiao de BGI Genomics.
Esta investigación fue apoyada parcialmente por los Institutos Nacionales de Salud (LY, R01GM098642, R01GM110494, 1A1125604), la Oficina de Investigación del Ejército (LY, W911NF-14-1-0490), la Fundación David y Lucile Packard, la subvención del Plan del Equipo Shenzhen Peacock (MX, No. KQTD2015033117210153), los Centros para el Control y la Prevención de Enfermedades (DJA, U54CK000164), AHRQ (DJA, R01-HS23821), NIH (VGF, R01-AI068804) y la Beca de Investigación para Graduados de la Fundación Nacional de Ciencias (CZ, gestión de recursos humanos).
"Codificación temporal de la identidad y los rasgos bacterianos en la dinámica del crecimiento". Carolyn Zhang, Wenchen Song, Helena R. Ma, Xiao Peng, Deverick J. Anderson, Vance G. Fowler Jr, Joshua T. Thaden, Minfeng Xiao y Lingchong You. PNAS, 2020. DOI: 10.1073/pnas.2008807117
(C) Universidad de Duke
Fuente del artículo original: WRAL TechWire