Новые модели машинного обучения отслеживают быструю эволюцию устойчивости к антибиотикам

Устойчивость к противомикробным препаратам (AMR) — всё более опасная проблема для глобального здравоохранения. Только в 2019 году метициллин-резистентный Staphylococcus aureus (MRSA) стал причиной более 100 000 смертей в мире, связанных с AMR.

Проблемы диагностики и лечения AMR

Главная сложность в диагностике и лечении AMR заключается в том, что её эволюция может опережать принятие клинических решений. Традиционно выявление AMR у S. aureus включает культивирование образцов бактерий в присутствии различных антибиотиков.

Хотя этот лабораторный метод надёжен, он требует времени. Результаты могут быть получены уже после выбора терапии, что может усугубить проблему AMR. Предыдущие подходы с использованием машинного обучения опирались на детальные геномные профили, которые могут не учитывать новые штаммы или плохо секвенированные геномы.

Новый подход от OIST на основе машинного обучения

В новой статье, опубликованной в npj Antimicrobials & Resistance, исследователи из Окинавского института науки и технологий (OIST) предлагают надёжные модели машинного обучения для прогнозирования профилей AMR на основе генома конкретной бактерии.

«Задержки в диагностике устойчивости к антибиотикам могут повлиять на выбор лечения, — говорит первый автор, аспирант Бруна Фистарол. — Личный опыт столкновения с этой проблемой мотивировал меня изучить геномные подходы, которые могли бы обеспечить более быстрые диагностические инструменты».

Вместо того чтобы отслеживать тысячи мельчайших «изменений в написании» ДНК в полностью секвенированных и аннотированных геномах каждого штамма, команда выбрала более простой и практичный сигнал: какие гены есть у штамма и сколько у него их копий. Они обучили модели машинного обучения на большой всемирной базе данных геномов S. aureus, чтобы предсказывать AMR к часто используемым антибиотикам.

«Подоказал высокую точность. Критически важно, что модели оставались надёжными даже при применении к генетически отличным штаммам, с которыми они ранее не сталкивались, — говорит профессор Гергей Й. Сёллёши, старший автор и руководитель подразделения эволюционной геномики на основе моделей в OIST. — И поскольку информацию о содержании генов можно восстановить даже при неполных или «зашумлённых» данных секвенирования, эти модели имеют большой потенциал для реальных клинических условий».

Истоки и будущие направления

Это исследование выросло из неожиданной области. Группа Сёллёши обычно изучает глубокую эволюционную историю, охватывающую миллиарды лет. В недавнем исследовании, опубликованном в Science, группа проследила раннюю эволюцию дышащих кислородом бактерий, предсказывая, обладали ли древние бактерии генами, необходимыми для аэробного метаболизма. Когда Фистарол присоединилась к подразделению для лабораторной ротации, она предложила применить тот же подход, но на гораздо меньших временных масштабах. Теперь команда заложила основу для создания новых инструментов борьбы с AMR.

Фистарол резюмирует: «Наша работа указывает путь к более надёжному и масштабируемому геномному прогнозированию. Это шаг навстречу более быстрому, экономически эффективному и практичному тестированию и мониторингу устойчивости».