AI kan hjälpa till att bekämpa läkemedelsresistenta superbugs, säger Duke biomedicinska ingenjörer

Publiceringsdatum: 5 augusti 2020

DURHAM – Biomedicinska ingenjörer vid Duke University har visat att olika stammar av samma bakteriella patogen kan särskiljas genom en maskininlärningsanalys enbart av deras tillväxtdynamik, som sedan också exakt kan förutsäga andra egenskaper såsom resistens mot antibiotika. Demonstrationen skulle kunna peka på metoder för att identifiera sjukdomar och förutsäga deras beteenden som är snabbare, enklare, billigare och mer exakta än nuvarande standardtekniker.

Resultaten visas online den 3 augusti i Proceedings of the National Academy of Sciences.

Under större delen av mikrobiologins historia har identifiering av bakterier förlitat sig på växande kulturer och analys av de fysiska egenskaperna och beteendet hos den resulterande bakteriekolonin. Det var inte förrän nyligen som forskare helt enkelt kunde göra ett genetiskt test.

Genetisk sekvensering är dock inte allmänt tillgänglig och kan ofta ta lång tid. Och även med förmågan att sekvensera hela genom kan det vara svårt att knyta specifika genetiska variationer till olika beteenden i den verkliga världen.

Till exempel, även om forskare känner till de genetiska mutationerna som hjälper till att skydda/skydda bakterier från betalaktamantibiotika – det vanligaste antibiotikan i världen – är det ibland inte DNA som är hela historien. Medan en enda resistent bakterie vanligtvis inte kan överleva en dos antibiotika på egen hand, kan stora populationer det ofta.

Lingchong du, professor i biomedicinsk teknik vid Duke, och hans doktorand, Carolyn Zhang, undrade om en ny vändning på äldre metoder skulle kunna fungera bättre. Kanske skulle de kunna förstärka en specifik fysisk egenskap och använda den för att inte bara identifiera patogenen, utan för att göra en välgrundad gissning om andra egenskaper som antibiotikaresistens.

"Vi trodde att den lilla variationen i generna mellan bakteriestammar kan ha en subtil effekt på deras ämnesomsättning," sa du. "Men eftersom bakterietillväxt är exponentiell, kan den subtila effekten förstärkas tillräckligt för att vi ska kunna dra nytta av den. För mig är den uppfattningen något intuitiv, men jag blev förvånad över hur bra det faktiskt fungerade.”

Hur snabbt en bakteriekultur växer i ett laboratorium beror på rikedomen hos mediet den växer i och dess kemiska miljö. Men när befolkningen växer förbrukar kulturen näringsämnen och producerar kemiska biprodukter. Även om olika stammar börjar med exakt samma miljöförhållanden, ackumuleras subtila skillnader i hur de växer och påverkar sin omgivning med tiden.

I studien tog du och Zhang mer än 200 stammar av bakteriella patogener, varav de flesta var varianter av E coli, placerade dem i identiska tillväxtmiljöer och mätte noggrant deras befolkningstäthet när den ökade. På grund av deras små genetiska skillnader växte kulturerna i anfall och start, var och en med ett unikt tidsmässigt fluktuationsmönster. Forskarna matade sedan in tillväxtdynamikdata till ett maskininlärningsprogram, som lärde sig att identifiera och matcha tillväxtprofilerna till de olika stammarna.

Till deras förvåning fungerade det riktigt bra.

"Med hjälp av tillväxtdata från endast ett initialtillstånd kunde modellen identifiera en viss stam med mer än 92 procents noggrannhet," sa du. "Och när vi använde fyra olika startmiljöer istället för en, steg den noggrannheten till cirka 98 procent."

Genom att ta denna idé ett steg längre, tittade du och Zhang sedan för att se om de kunde använda tillväxtdynamiska profiler för att förutsäga en annan fenotyp - antibiotikaresistens.

Forskarna laddade återigen ett maskininlärningsprogram med tillväxtdynamiska profiler från alla utom en av de olika stammarna, tillsammans med data om deras motståndskraft mot fyra olika antibiotika. De testade sedan för att se om den resulterande modellen kunde förutsäga den slutliga stammens antibiotikaresistens utifrån dess tillväxtprofil. För att bulka upp sin datauppsättning upprepade de denna process för alla de andra stammarna.

Resultaten visade att enbart den tillväxtdynamiska profilen framgångsrikt kunde förutsäga en stams resistens mot antibiotika 60 till 75 procent av tiden.

"Detta är faktiskt i nivå med eller bättre än några av de nuvarande teknikerna i litteraturen, inklusive många som använder genetiska sekvenseringsdata," sa You. "Och detta var bara ett bevis på principen. Vi tror att med högre upplösningsdata om tillväxtdynamiken kan vi göra ett ännu bättre jobb på lång sikt.”

Forskarna tittade också för att se om stammarna som uppvisar liknande tillväxtkurvor också hade liknande genetiska profiler. Som det visar sig är de två helt okorrelerade, vilket återigen visar hur svårt det kan vara att kartlägga cellulära egenskaper och beteenden till specifika DNA-sträckor.

Framöver planerar du att optimera tillväxtkurvan för att minska tiden det tar att identifiera en stam från 2 till 3 dagar till kanske 12 timmar. Han planerar också att använda högupplösta kameror för att se om kartläggning av hur bakteriekolonier växer i rymden i en petriskål kan hjälpa till att göra processen ännu mer exakt.

Denna forskning utfördes i samarbete med grupper av Deverick J. Anderson, Joshua T. Thaden och Vance G. Fowler från Duke University School of Medicine och Minfeng Xiao från BGI Genomics.

Denna forskning stöddes delvis av National Institutes of Health (LY, R01GM098642, R01GM110494, 1A1125604), Army Research Office (LY, W911NF-14-1-0490), David och Lucile Packard Foundation, Shenzhen Peacock Team Plan-anslaget (MX, nr. KQTD2015033117210153), Centers for Disease Control and Prevention (DJA, U54CK000164), AHRQ (DJA, R01-HS23821), NIH (VGF, R01-AI068804) och National Science Fellowship Graduate (CZ) HRM).

"Tidsmässig kodning av bakteriell identitet och egenskaper i tillväxtdynamik." Carolyn Zhang, Wenchen Song, Helena R. Ma, Xiao Peng, Deverick J. Anderson, Vance G. Fowler Jr, Joshua T. Thaden, Minfeng Xiao och Lingchong You. PNAS, 2020. DOI: 10.1073/pnas.2008807117

(C) Duke University

Ursprunglig artikelkälla: WRAL TechWire