Inżynierowie biomedyczni Duke twierdzą, że sztuczna inteligencja może pomóc w zwalczaniu superbakterii odpornych na leki
Data opublikowania:DUHAM – Inżynierowie biomedyczni z Duke University wykazali, że różne szczepy tego samego patogenu bakteryjnego można rozróżnić na podstawie analizy uczenia maszynowego samej dynamiki ich wzrostu, co pozwala następnie dokładnie przewidzieć inne cechy, takie jak oporność na antybiotyki. Demonstracja mogłaby wskazać metody identyfikacji chorób i przewidywania ich zachowania, które są szybsze, prostsze, tańsze i dokładniejsze niż obecne standardowe techniki.
Wyniki opublikowano w Internecie 3 sierpnia w Proceedings of the National Academy of Sciences.
Przez większą część historii mikrobiologii identyfikacja bakterii opierała się na hodowli kultur i analizie cech fizycznych oraz zachowań powstałej kolonii bakteryjnej. Dopiero niedawno naukowcy mogli po prostu przeprowadzić test genetyczny.
Sekwencjonowanie genetyczne nie jest jednak powszechnie dostępne i często może zająć dużo czasu. Nawet mając możliwość sekwencjonowania całych genomów, powiązanie określonych zmian genetycznych z różnymi zachowaniami w prawdziwym świecie może być trudne.
Na przykład, chociaż badacze znają mutacje genetyczne, które pomagają chronić bakterie przed antybiotykami beta-laktamowymi – najczęściej stosowanym antybiotykiem na świecie – czasami DNA to nie wszystko. Podczas gdy pojedyncza oporna bakteria zwykle nie jest w stanie samodzielnie przetrwać dawki antybiotyków, duże populacje często są w stanie to zrobić.
Lingchong Ty, profesor inżynierii biomedycznej na Uniwersytecie Duke, i jego absolwentka, Carolyn Zhang, zastanawiali się, czy nowe podejście do starszych metod mogłoby zadziałać lepiej. Być może mogliby wzmocnić jedną konkretną cechę fizyczną i wykorzystać ją nie tylko do identyfikacji patogenu, ale także do wyciągnięcia wniosków na temat innych cech, takich jak oporność na antybiotyki.
„Myśleliśmy, że niewielka różnica w genach między szczepami bakterii może mieć subtelny wpływ na ich metabolizm” – powiedział You. „Ale ponieważ wzrost bakterii jest wykładniczy, ten subtelny efekt można wzmocnić na tyle, abyśmy mogli z niego skorzystać. Dla mnie to pojęcie jest dość intuicyjne, ale byłem zaskoczony, jak dobrze to faktycznie zadziałało”.
Szybkość wzrostu kultury bakteryjnej w laboratorium zależy od bogactwa podłoża, w którym rośnie i środowiska chemicznego. Jednak wraz ze wzrostem populacji kultura zużywa składniki odżywcze i wytwarza chemiczne produkty uboczne. Nawet jeśli różne odmiany zaczynają od dokładnie tych samych warunków środowiskowych, z biegiem czasu kumulują się subtelne różnice w sposobie ich wzrostu i wpływu na otoczenie.
W badaniu Ty i Zhang przyjęliście ponad 200 szczepów patogenów bakteryjnych, z których większość była odmianami E coli, umieść je w identycznych środowiskach wzrostu i dokładnie zmierzono ich gęstość zaludnienia w miarę jej wzrostu. Ze względu na niewielkie różnice genetyczne, kultury rosły zrywami, a każda z nich posiadała unikalny wzór wahań czasowych. Następnie naukowcy wprowadzili dane dotyczące dynamiki wzrostu do programu uczenia maszynowego, który nauczył się identyfikować i dopasowywać profile wzrostu do różnych szczepów.
Ku ich zaskoczeniu, zadziałało to naprawdę dobrze.
„Wykorzystując dane dotyczące wzrostu tylko z jednego warunku początkowego, model był w stanie zidentyfikować konkretny szczep z dokładnością przekraczającą 92 procent” – powiedział You. „A kiedy zamiast jednego użyliśmy czterech różnych środowisk początkowych, dokładność wzrosła do około 98 procent”.
Idąc o krok dalej, Ty i Zhang sprawdzili następnie, czy mogliby wykorzystać profile dynamiki wzrostu do przewidywania innego fenotypu – oporności na antybiotyki.
Naukowcy ponownie załadowali do programu uczenia maszynowego profile dynamiki wzrostu wszystkich szczepów z wyjątkiem jednego, wraz z danymi dotyczącymi ich odporności na cztery różne antybiotyki. Następnie przetestowali, czy powstały model może przewidzieć oporność ostatecznego szczepu na antybiotyki na podstawie jego profilu wzrostu. Aby powiększyć swój zbiór danych, powtórzyli ten proces dla wszystkich pozostałych szczepów.
Wyniki pokazały, że sam profil dynamiki wzrostu pozwala z powodzeniem przewidzieć oporność szczepu na antybiotyki w 60–75% przypadków.
„W rzeczywistości jest to porównywalne lub lepsze od niektórych obecnych technik opisanych w literaturze, w tym wielu wykorzystujących dane dotyczące sekwencjonowania genetycznego” – stwierdził You. „A to był tylko dowód na zasadę. Wierzymy, że dysponując danymi o dynamice wzrostu o wyższej rozdzielczości, w dłuższej perspektywie moglibyśmy wykonać jeszcze lepszą robotę.”
Naukowcy sprawdzili także, czy szczepy wykazujące podobne krzywe wzrostu mają również podobne profile genetyczne. Jak się okazuje, oba zjawiska są całkowicie nieskorelowane, co po raz kolejny pokazuje, jak trudne może być mapowanie cech i zachowań komórkowych na określone odcinki DNA.
Idąc dalej, planujesz zoptymalizować procedurę krzywej wzrostu, aby skrócić czas potrzebny na identyfikację szczepu z 2 do 3 dni do być może 12 godzin. Planuje także użyć kamer o wysokiej rozdzielczości, aby sprawdzić, czy mapowanie wzrostu kolonii bakterii w przestrzeni na szalce Petriego może pomóc w jeszcze większej dokładności procesu.
Badanie to przeprowadzono we współpracy z grupami Devericka J. Andersona, Joshuy T. Thadena i Vance'a G. Fowlera z Duke University School of Medicine oraz Minfeng Xiao z BGI Genomics.
Badania te były częściowo wspierane przez Narodowy Instytut Zdrowia (LY, R01GM098642, R01GM110494, 1A1125604), Biuro Badań Armii (LY, W911NF-14-1-0490), Fundację Davida i Lucile Packardów, grant Shenzhen Peacock Team Plan (MX, nr KQTD2015033117210153), Centra Kontroli i Zapobiegania Chorobom (DJA, U54CK000164), AHRQ (DJA, R01-HS23821), NIH (VGF, R01-AI068804) oraz stypendium badawcze National Science Foundation (CZ, kadr).
„Czasowe kodowanie tożsamości i cech bakterii w dynamice wzrostu”. Carolyn Zhang, Wenchen Song, Helena R. Ma, Xiao Peng, Deverick J. Anderson, Vance G. Fowler Jr, Joshua T. Thaden, Minfeng Xiao i Lingchong You. PNAS, 2020. DOI: 10.1073/pnas.2008807117
(C) Uniwersytet Duke'a
Oryginalne źródło artykułu: WRALTechWire