Tekoäly voisi auttaa torjumaan lääkeresistenttejä superbakteereita, Duken biolääketieteen insinöörit sanovat
Julkaisupäivä:DURHAM – Duken yliopiston biolääketieteen insinöörit ovat osoittaneet, että saman bakteeripatogeenin eri kannat voidaan erottaa pelkästään niiden kasvudynamiikan koneoppimisanalyysillä, mikä voi sitten ennustaa tarkasti myös muita ominaisuuksia, kuten antibioottiresistenssin. Demonstraatio voisi viitata menetelmiin sairauksien tunnistamiseksi ja niiden käyttäytymisen ennustamiseksi, jotka ovat nopeampia, yksinkertaisempia, halvempia ja tarkempia kuin nykyiset standarditekniikat.
Tulokset ilmestyvät verkossa 3. elokuuta Proceedings of the National Academy of Sciences -julkaisussa.
Suurimman osan mikrobiologian historiasta bakteerien tunnistaminen on perustunut viljelmien kasvattamiseen ja tuloksena olevan bakteeripesäkkeen fyysisten ominaisuuksien ja käyttäytymisen analysointiin. Vasta äskettäin tiedemiehet pystyivät yksinkertaisesti suorittamaan geneettisen testin.
Geneettinen sekvensointi ei kuitenkaan ole yleisesti saatavilla, ja se voi usein kestää kauan. Ja vaikka kyky sekvensoida kokonaisia genomeja, voi olla vaikeaa sitoa tiettyjä geneettisiä muunnelmia erilaisiin käyttäytymiseen todellisessa maailmassa.
Esimerkiksi vaikka tutkijat tietävät geneettiset mutaatiot, jotka auttavat suojaamaan bakteereja beetalaktaamiantibiooteilta – maailman yleisimmin käytetyltä antibiootilta –, joskus DNA ei ole koko tarina. Vaikka yksittäinen resistentti bakteeri ei yleensä selviä antibioottiannoksesta yksinään, suuret populaatiot voivat usein selviytyä.
Lingchong sinä, Duken biolääketieteen tekniikan professori, ja hänen jatko-opiskelijansa Carolyn Zhang pohtivat, voisiko uusi käänne vanhempiin menetelmiin toimia paremmin. Ehkä he voisivat vahvistaa tiettyä fyysistä ominaisuutta ja käyttää sitä paitsi tunnistamaan taudinaiheuttajaa, myös tekemään perusteltuja arvauksia muista ominaisuuksista, kuten antibioottiresistenssistä.
"Ajattelimme, että geenien pienellä vaihtelulla bakteerikantojen välillä saattaa olla hienoinen vaikutus niiden aineenvaihduntaan", sanoit. "Mutta koska bakteerien kasvu on eksponentiaalista, tämä hienovarainen vaikutus voisi vahvistua tarpeeksi, jotta voimme hyödyntää sitä. Minulle tämä käsitys on jokseenkin intuitiivinen, mutta olin yllättynyt siitä, kuinka hyvin se itse asiassa toimi."
Se, kuinka nopeasti bakteeriviljelmä kasvaa laboratoriossa, riippuu kasvualustan rikkaudesta ja sen kemiallisesta ympäristöstä. Mutta kun väestö kasvaa, kulttuuri kuluttaa ravinteita ja tuottaa kemiallisia sivutuotteita. Vaikka eri kannat alkavat täsmälleen samoista ympäristöolosuhteista, hienoisia eroja niiden kasvussa ja ympäristöön vaikuttamisessa kertyy ajan myötä.
Tutkimuksessa sinä ja Zhang ottivat yli 200 bakteeripatogeenin kantaa, joista suurin osa oli muunnelmia E. coli, asettivat ne identtisiin kasvuympäristöihin ja mittasivat huolellisesti niiden väestötiheyden sen kasvaessa. Pienistä geneettisistä eroistaan johtuen kulttuurit kasvoivat kohtauksina, ja jokaisella oli ainutlaatuinen ajallinen vaihtelukuvio. Sitten tutkijat syöttivät kasvudynamiikkatiedot koneoppimisohjelmaan, joka opetti itsensä tunnistamaan ja sovittamaan kasvuprofiilit eri kantoihin.
Heidän yllätyksensä se toimi todella hyvin.
"Käyttämällä vain yhden alkutilan kasvutietoja malli pystyi tunnistamaan tietyn kannan yli 92 prosentin tarkkuudella", You sanoi. "Ja kun käytimme neljää erilaista käynnistysympäristöä yhden sijasta, tarkkuus nousi noin 98 prosenttiin."
Ottaen tämän ajatuksen askeleen pidemmälle, sinä ja Zhang katsoivat sitten, voisivatko he käyttää kasvudynaamisia profiileja ennustaakseen toisen fenotyypin - antibioottiresistenssin.
Tutkijat ladasivat jälleen koneoppimisohjelman, jossa oli kasvudynaamiset profiilit kaikista paitsi yhtä eri kannoista sekä tiedot niiden kestävyydestä neljälle eri antibiootille. Sitten he testasivat, pystyisikö tuloksena saatu malli ennustamaan lopullisen kannan antibioottiresistenssin sen kasvuprofiilin perusteella. He toistivat tämän prosessin kaikille muille kannoille, jotta he voisivat laajentaa tietojoukkoaan.
Tulokset osoittivat, että pelkkä kasvudynaaminen profiili voi onnistuneesti ennustaa kannan resistenssin antibiooteille 60-75 prosenttia ajasta.
"Tämä on itse asiassa samanlainen tai parempi kuin jotkin nykyiset kirjallisuuden tekniikat, mukaan lukien monet, jotka käyttävät geneettistä sekvensointidataa", sanoi You. "Ja tämä oli vain todiste periaatteesta. Uskomme, että korkearesoluutioisilla kasvudynamiikkaa koskevilla tiedoilla voisimme tehdä vieläkin parempaa työtä pitkällä aikavälillä.
Tutkijat tarkastelivat myös, oliko kannoilla, joilla oli samanlainen kasvukäyrä, myös samanlainen geneettinen profiili. Kuten käy ilmi, nämä kaksi eivät ole täysin korreloivia, mikä osoittaa jälleen kerran, kuinka vaikeaa voi olla kartoittaa solujen ominaisuuksia ja käyttäytymistä tiettyihin DNA-osuuksiin.
Jatkossa aiot optimoida kasvukäyrän menetelmän lyhentääksesi kannan tunnistamiseen kuluvaa aikaa 2–3 päivästä ehkä 12 tuntiin. Hän aikoo myös käyttää teräväpiirtokameroita nähdäkseen, voiko bakteeripesäkkeiden avaruudessa kasvamisen kartoitus petrimaljalla auttaa tekemään prosessista entistä tarkemman.
Tämä tutkimus tehtiin yhteistyössä Deverick J. Andersonin, Joshua T. Thadenin ja Vance G. Fowlerin kanssa Duke University School of Medicineista sekä Minfeng Xiaon BGI Genomicsista.
Tätä tutkimusta tukivat osittain National Institutes of Health (LY, R01GM098642, R01GM110494, 1A1125604), armeijan tutkimustoimisto (LY, W911NF-14-1-0490), David and Lucile Packardin säätiö ja Shenzhen Peacock Team Plan -apuraha. (MX, nro KQTD2015033117210153), sairauksien torjunta- ja ehkäisykeskukset (DJA, U54CK000164), AHRQ (DJA, R01-HS23821), NIH (VGF, R01-AI068804) ja National Science Foundationin graduZCate-apuraha HRM).
"Bakteereiden identiteetin ja kasvudynamiikan ominaisuuksien ajallinen koodaus." Carolyn Zhang, Wenchen Song, Helena R. Ma, Xiao Peng, Deverick J. Anderson, Vance G. Fowler Jr, Joshua T. Thaden, Minfeng Xiao ja Lingchong You. PNAS, 2020. DOI: 10.1073/pnas.2008807117
(C) Duken yliopisto
Alkuperäinen artikkelin lähde: WRAL TechWire