ИИ может предложить лучший способ идентификации устойчивых к лекарствам супербактерий

Биомедицинские инженеры из Университета Дьюка показали, что разные штаммы одного и того же бактериального патогена можно различить с помощью машинного обучения, анализирующего только их динамику роста. Этот анализ также может точно предсказывать другие признаки, такие как устойчивость к антибиотикам. Этот подход может указать на методы идентификации заболеваний и прогнозирования их поведения, которые быстрее, проще, дешевле и точнее, чем современные стандартные методы.

Результаты опубликованы 3 августа в Proceedings of the National Academy of Sciences.

Новый взгляд на старые методы

Исторически идентификация бактерий основывалась на выращивании культур и анализе физических признаков колонии. Генетическое тестирование, хотя и стало доступно, не является повсеместным, может занимать много времени, и бывает сложно связать конкретные генетические вариации с поведением в реальном мире.

Исследователи задались вопросом, можно ли усилить один конкретный физический признак — динамику роста — и использовать его не только для идентификации патогена, но и для прогнозирования других признаков, таких как устойчивость к антибиотикам.

Эксперимент и результаты

В исследовании более 200 штаммов бактериальных патогенов (в основном вариации E. coli) поместили в идентичные условия роста и тщательно измерили изменение плотности популяции во времени. Из-за небольших генетических различий культуры росли с уникальными паттернами временных колебаний.

Эти данные о динамике роста загрузили в программу машинного обучения, которая научилась сопоставлять профили роста с разными штаммами.

• Используя данные роста только из одного начального условия, модель идентифицировала конкретный штамм с точностью более 92%.
• При использовании данных из четырех разных начальных условий точность возросла примерно до 98%.

Прогнозирование устойчивости к антибиотикам

На следующем этапе исследователи проверили, можно ли использовать профили динамики роста для прогнозирования другого фенотипа — устойчивости к антибиотикам.

Модель машинного обучения, обученная на профилях роста и данных об устойчивости к четырем разным антибиотикам, смогла предсказать устойчивость штамма только на основе его профиля роста с успехом в 60–75% случаев.

«Это сопоставимо или даже лучше, чем некоторые современные методы, включая многие, использующие данные генетического секвенирования», — отметил профессор Линчон Ю.

Генетика и фенотип

Исследователи также обнаружили, что штаммы со схожими кривыми роста не обязательно имеют схожие генетические профили — эти два параметра оказались совершенно не коррелированы. Это демонстрирует сложность прямого сопоставления клеточных признаков и поведения с конкретными участками ДНК.

Планы на будущее

В дальнейшем планируется оптимизировать процедуру, чтобы сократить время идентификации штамма с 2–3 дней до, возможно, 12 часов. Также рассматривается использование высокоточных камер для анализа пространственного роста бактериальных колоний в чашке Петри, что может повысить точность метода.