AI zou kunnen helpen bij het bestrijden van medicijnresistente superbacteriën, zeggen biomedische ingenieurs van Duke
Datum gepubliceerd:DURHAM – Biomedische ingenieurs aan de Duke University hebben aangetoond dat verschillende stammen van dezelfde bacteriële ziekteverwekker kunnen worden onderscheiden door alleen een machine learning-analyse van hun groeidynamiek, die vervolgens ook andere kenmerken, zoals resistentie tegen antibiotica, nauwkeurig kan voorspellen. De demonstratie zou kunnen wijzen op methoden voor het identificeren van ziekten en het voorspellen van hun gedrag die sneller, eenvoudiger, goedkoper en nauwkeuriger zijn dan de huidige standaardtechnieken.
De resultaten verschijnen op 3 augustus online in de Proceedings of the National Academy of Sciences.
Gedurende het grootste deel van de geschiedenis van de microbiologie is de identificatie van bacteriën afhankelijk geweest van het kweken van culturen en het analyseren van de fysieke eigenschappen en het gedrag van de resulterende bacteriekolonie. Pas onlangs konden wetenschappers eenvoudigweg een genetische test uitvoeren.
Genetische sequencing is echter niet universeel beschikbaar en kan vaak lang duren. En zelfs met de mogelijkheid om hele genomen te sequencen, kan het moeilijk zijn om specifieke genetische variaties te koppelen aan verschillend gedrag in de echte wereld.
Hoewel onderzoekers bijvoorbeeld de genetische mutaties kennen die bacteriën helpen beschermen tegen bètalactamantibiotica – het meest gebruikte antibioticum ter wereld – is het DNA soms niet het hele verhaal. Hoewel een enkele resistente bacterie op zichzelf een dosis antibiotica meestal niet kan overleven, kunnen grote populaties dat vaak wel.
Lingchong jij, hoogleraar biomedische technologie aan Duke, en zijn afgestudeerde student, Carolyn Zhang, vroegen zich af of een nieuwe draai aan oudere methoden misschien beter zou werken. Misschien kunnen ze één specifiek fysiek kenmerk versterken en dit niet alleen gebruiken om de ziekteverwekker te identificeren, maar ook om een weloverwogen inschatting te maken van andere kenmerken, zoals antibioticaresistentie.
“We dachten dat de kleine variantie in de genen tussen bacteriestammen een subtiel effect zou kunnen hebben op hun metabolisme,” zei You. “Maar omdat de groei van bacteriën exponentieel is, zou dat subtiele effect voldoende versterkt kunnen worden zodat we er voordeel uit kunnen halen. Voor mij is dat idee enigszins intuïtief, maar ik was verrast hoe goed het eigenlijk werkte.”
Hoe snel een bacteriecultuur in een laboratorium groeit, hangt af van de rijkdom van de media waarin deze groeit en van de chemische omgeving ervan. Maar naarmate de bevolking groeit, consumeert de cultuur voedingsstoffen en produceert ze chemische bijproducten. Zelfs als verschillende soorten beginnen met exact dezelfde omgevingsomstandigheden, stapelen subtiele verschillen in de manier waarop ze groeien en hun omgeving beïnvloeden zich op in de loop van de tijd.
In het onderzoek namen You en Zhang meer dan 200 bacteriestammen, waarvan de meeste varianten waren van E coli, plaatste ze in identieke groeiomgevingen en mat zorgvuldig hun bevolkingsdichtheid naarmate deze toenam. Vanwege hun kleine genetische verschillen groeiden de culturen met horten en stoten, waarbij elk een uniek temporeel fluctuatiepatroon bezat. De onderzoekers voerden vervolgens de gegevens over de groeidynamiek in een machine learning-programma, dat zichzelf leerde de groeiprofielen te identificeren en aan te passen aan de verschillende soorten.
Tot hun verbazing werkte het heel goed.
“Door gebruik te maken van groeigegevens van slechts één initiële conditie kon het model een bepaalde soort identificeren met een nauwkeurigheid van meer dan 92 procent,” zei You. “En toen we vier verschillende startomgevingen gebruikten in plaats van één, steeg die nauwkeurigheid naar zo’n 98 procent.”
Om dit idee nog een stap verder te brengen, keken You en Zhang vervolgens of ze groeidynamische profielen konden gebruiken om een ander fenotype te voorspellen: antibioticaresistentie.
De onderzoekers laadden opnieuw een machine learning-programma met de groeidynamische profielen van alle stammen op één na, samen met gegevens over hun veerkracht tegen vier verschillende antibiotica. Vervolgens testten ze om te zien of het resulterende model de antibioticaresistentie van de uiteindelijke stam kon voorspellen op basis van het groeiprofiel. Om hun dataset uit te breiden, herhaalden ze dit proces voor alle andere stammen.
De resultaten toonden aan dat alleen al het dynamische groeiprofiel de resistentie van een stam tegen antibiotica in 60 tot 75 procent van de gevallen met succes kon voorspellen.
“Dit is feitelijk vergelijkbaar of beter dan sommige van de huidige technieken in de literatuur, waaronder veel technieken die gebruik maken van genetische sequencing-gegevens,” zei You. “En dit was slechts een bewijs van het principe. Wij zijn van mening dat we met gegevens met een hogere resolutie over de groeidynamiek op de lange termijn nog beter werk kunnen leveren.”
De onderzoekers keken ook of de stammen met vergelijkbare groeicurven ook vergelijkbare genetische profielen hadden. Het blijkt dat de twee totaal niet met elkaar gecorreleerd zijn, wat eens te meer aantoont hoe moeilijk het kan zijn om cellulaire eigenschappen en gedragingen in kaart te brengen in specifieke stukjes DNA.
In de toekomst ben je van plan de groeicurveprocedure te optimaliseren om de tijd die nodig is om een soort te identificeren terug te brengen van 2 tot 3 dagen tot misschien wel 12 uur. Hij is ook van plan high-definition camera's te gebruiken om te zien of het in kaart brengen van de groei van bacteriekolonies in de ruimte in een petrischaal het proces nog nauwkeuriger kan maken.
Dit onderzoek werd uitgevoerd in samenwerking met groepen van Deverick J. Anderson, Joshua T. Thaden en Vance G. Fowler van de Duke University School of Medicine, en Minfeng Xiao van BGI Genomics.
Dit onderzoek werd gedeeltelijk ondersteund door de National Institutes of Health (LY, R01GM098642, R01GM110494, 1A1125604), het Army Research Office (LY, W911NF-14-1-0490), de David and Lucile Packard Foundation, de Shenzhen Peacock Team Plan Grant (MX, nr. KQTD2015033117210153), de Centers for Disease Control and Prevention (DJA, U54CK000164), AHRQ (DJA, R01-HS23821), NIH (VGF, R01-AI068804) en de Graduate Research Fellowship van de National Science Foundation (CZ, HRM).
"Tijdelijke codering van bacteriële identiteit en eigenschappen in de groeidynamiek." Carolyn Zhang, Wenchen Song, Helena R. Ma, Xiao Peng, Deverick J. Anderson, Vance G. Fowler Jr, Joshua T. Thaden, Minfeng Xiao en Lingchong You. PNAS, 2020. DOI: 10.1073/pnas.2008807117
(C) Duke Universiteit
Originele artikelbron: WRAL TechWire