L’intelligenza artificiale potrebbe aiutare a combattere i superbatteri resistenti ai farmaci, affermano gli ingegneri biomedici della Duke

Data di pubblicazione: Agosto 5, 2020

DURHAM – Gli ingegneri biomedici della Duke University hanno dimostrato che diversi ceppi dello stesso batterio patogeno possono essere distinti mediante un’analisi di apprendimento automatico delle sole dinamiche di crescita, che può quindi anche prevedere con precisione altri tratti come la resistenza agli antibiotici. La dimostrazione potrebbe indicare metodi per identificare le malattie e prevederne i comportamenti che siano più rapidi, più semplici, meno costosi e più accurati rispetto alle attuali tecniche standard.

I risultati appariranno online il 3 agosto negli Atti della National Academy of Sciences.

Per gran parte della storia della microbiologia, l’identificazione dei batteri si è basata sulla coltivazione di colture e sull’analisi dei tratti fisici e dei comportamenti della colonia batterica risultante. Solo di recente gli scienziati hanno potuto semplicemente eseguire un test genetico.

Il sequenziamento genetico, tuttavia, non è universalmente disponibile e spesso può richiedere molto tempo. E anche con la possibilità di sequenziare interi genomi, può essere difficile collegare specifiche variazioni genetiche a diversi comportamenti nel mondo reale.

Ad esempio, anche se i ricercatori conoscono le mutazioni genetiche che aiutano a proteggere i batteri dagli antibiotici beta-lattamici, gli antibiotici più comunemente usati al mondo, a volte il DNA non è tutta la storia. Mentre un singolo batterio resistente di solito non può sopravvivere da solo a una dose di antibiotici, grandi popolazioni spesso possono farlo.

Lingchong Tu, professore di ingegneria biomedica alla Duke, e la sua studentessa laureata, Carolyn Zhang, si chiedevano se una nuova svolta sui metodi più vecchi potesse funzionare meglio. Forse potrebbero amplificare una caratteristica fisica specifica e usarla non solo per identificare l’agente patogeno, ma per fare un’ipotesi plausibile su altri tratti come la resistenza agli antibiotici.

"Abbiamo pensato che la leggera variazione nei geni tra i ceppi di batteri potesse avere un sottile effetto sul loro metabolismo", ha detto You. “Ma poiché la crescita batterica è esponenziale, quell’effetto sottile potrebbe essere amplificato abbastanza da permetterci di trarne vantaggio. Per me, questa nozione è in qualche modo intuitiva, ma sono rimasto sorpreso da quanto bene abbia funzionato”.

La velocità con cui una coltura batterica cresce in un laboratorio dipende dalla ricchezza del terreno in cui cresce e dal suo ambiente chimico. Ma man mano che la popolazione cresce, la cultura consuma sostanze nutritive e produce sottoprodotti chimici. Anche se ceppi diversi iniziano con le stesse identiche condizioni ambientali, nel tempo si accumulano sottili differenze nel modo in cui crescono e influenzano l'ambiente circostante.

Nello studio, tu e Zhang avete preso più di 200 ceppi di batteri patogeni, la maggior parte dei quali erano variazioni Escherichia coli, li hanno inseriti in ambienti di crescita identici e hanno misurato attentamente la loro densità di popolazione man mano che aumentava. A causa delle loro lievi differenze genetiche, le culture crescevano a singhiozzo, ciascuna possedendo un modello di fluttuazione temporale unico. I ricercatori hanno poi inserito i dati sulle dinamiche di crescita in un programma di apprendimento automatico, che ha imparato da solo a identificare e abbinare i profili di crescita ai diversi ceppi.

Con loro sorpresa, ha funzionato davvero bene.

"Utilizzando i dati di crescita di una sola condizione iniziale, il modello è stato in grado di identificare un particolare ceppo con una precisione superiore al 92%", ha affermato You. "E quando abbiamo utilizzato quattro diversi ambienti di partenza invece di uno, la precisione è salita a circa il 98%."

Facendo un ulteriore passo avanti con questa idea, You e Zhang hanno poi cercato di vedere se potevano utilizzare i profili dinamici di crescita per prevedere un altro fenotipo: la resistenza agli antibiotici.

I ricercatori hanno caricato ancora una volta un programma di apprendimento automatico con i profili dinamici di crescita di tutti i vari ceppi tranne uno, insieme ai dati sulla loro resilienza a quattro diversi antibiotici. Hanno poi testato per vedere se il modello risultante potesse prevedere la resistenza agli antibiotici del ceppo finale dal suo profilo di crescita. Per aumentare il loro set di dati, hanno ripetuto questo processo per tutti gli altri ceppi.

I risultati hanno mostrato che il solo profilo dinamico della crescita potrebbe predire con successo la resistenza di un ceppo agli antibiotici nel 60-75% dei casi.

"Questo è in realtà alla pari o migliore di alcune delle attuali tecniche presenti in letteratura, comprese molte che utilizzano dati di sequenziamento genetico", ha affermato You. “E questa era solo una prova di principio. Riteniamo che con dati ad alta risoluzione sulle dinamiche di crescita, potremmo fare un lavoro ancora migliore a lungo termine”.

I ricercatori hanno anche cercato di vedere se i ceppi che mostravano curve di crescita simili avessero anche profili genetici simili. A quanto pare, i due sono completamente non correlati, dimostrando ancora una volta quanto possa essere difficile mappare tratti e comportamenti cellulari su specifici tratti di DNA.

Andando avanti, You prevede di ottimizzare la procedura della curva di crescita per ridurre il tempo necessario per identificare un ceppo da 2-3 giorni a forse 12 ore. Ha anche intenzione di utilizzare telecamere ad alta definizione per vedere se la mappatura del modo in cui le colonie batteriche crescono nello spazio in una capsula di Petri può aiutare a rendere il processo ancora più accurato.

Questa ricerca è stata condotta in collaborazione con i gruppi di Deverick J. Anderson, Joshua T. Thaden e Vance G. Fowler della Duke University School of Medicine e Minfeng Xiao della BGI Genomics.

Questa ricerca è stata parzialmente supportata dal National Institutes of Health (LY, R01GM098642, R01GM110494, 1A1125604), dall'Esercito Research Office (LY, W911NF-14-1-0490), dalla David and Lucile Packard Foundation, dalla borsa di studio Shenzhen Peacock Team Plan (MX, No. KQTD2015033117210153), i Centri per il controllo e la prevenzione delle malattie (DJA, U54CK000164), AHRQ (DJA, R01-HS23821), NIH (VGF, R01-AI068804) e la Graduate Research Fellowship della National Science Foundation (CZ, gestione delle risorse umane).

"Codifica temporale dell'identità e dei tratti batterici nelle dinamiche di crescita". Carolyn Zhang, Wenchen Song, Helena R. Ma, Xiao Peng, Deverick J. Anderson, Vance G. Fowler Jr, Joshua T. Thaden, Minfeng Xiao e Lingchong You. PNAS, 2020. DOI: 10.1073/pnas.2008807117

(C) Università Duke

Fonte articolo originale: WRAL TechWire