ИИ помогает предсказывать устойчивость E. coli к антибиотикам в сельском хозяйстве

Escherichia coli (E. coli) — распространённая бактерия, обитающая в кишечнике животных и человека, часто используемая как индикатор фекального загрязнения окружающей среды. E. coli также легко развивает устойчивость к антибиотикам, что делает её идеальным организмом для изучения антимикробной резистентности, особенно в сельскохозяйственных условиях, где используются навоз или сточные воды.

Традиционные лабораторные методы анализа устойчивости трудоёмки и медленны, что затрудняет масштабный мониторинг. Поэтому учёные исследуют более быстрые подходы с использованием полногеномного секвенирования (WGS) и прогнозного моделирования.

Исследователи из Университета Филиппин протестировали различные модели искусственного интеллекта (ИИ), чтобы определить устойчивость E. coli к антибиотикам, используя генетические данные и лабораторные результаты из базы данных NCBI.

«Мы выбрали модели, исходя из их сильных сторон в работе с биологическими и несбалансированными данными», — пояснила доктор Пьеранджели Витал. Цель — сравнить производительность разных стратегий обучения и определить наиболее подходящую для прогнозирования устойчивости.

Исследование опубликовано в Malaysian Journal of Microbiology.

Использованные модели ИИ:

• Random Forest (RF) — хорошо подходит для высокоразмерных данных.
• Support Vector Machine (SVM) — эффективна в задачах классификации со сложными границами решений.
• Ансамблевые методы — Adaptive Boosting (AB) и Extreme Gradient Boosting (XGB), которые повышают точность, фокусируясь на сложных для классификации образцах.

Результаты:

• Модели наиболее точно предсказывали устойчивость к стрептомицину и тетрациклину, демонстрируя высокую точность и надёжное различение резистентных и чувствительных штаммов.
• Ципрофлоксацин оказался самым сложным для прогнозирования из-за малой доли резистентных образцов в данных (всего 4%), что привело к низкой чувствительности моделей.
• Среди моделей AB и XGB стабильно показывали хорошие результаты даже на несбалансированных данных.

«Мы считаем, что эта стратегия обладает большим потенциалом для мониторинга антимикробной резистентности в реальном времени, особенно в сельском хозяйстве», — отметила доктор Витал. — «По мере того как секвенирование ДНК становится быстрее и дешевле, такие прогнозные модели могут рано выявлять устойчивые бактерии — до того, как они приведут к вспышкам. Это может улучшить принятие решений в области безопасности пищевых продуктов, сельского хозяйства и общественного здравоохранения».

Исследователи рекомендуют включать более разнообразные типы образцов и источники данных, такие как метагеномные данные (ДНК всех микробов в образце), чтобы лучше понимать и предсказывать развитие резистентности.

Доктор Витал также подчеркнула ценность междисциплинарного сотрудничества, как в этом исследовании микробиологов и статистиков: «Интеграция (микро)биологических концепций в статистику и прогнозное моделирование позволяет получить результат, значимый для сообщества, в данном случае — для безопасности сельскохозяйственной продукции».