Исследователи разработали ПО для поиска устойчивых к лекарствам бактерий
Исследователи из Университета штата Вашингтон разработали удобную программу для идентификации генов устойчивости к лекарствам у бактерий.
Эта программа может упростить выявление смертельно опасных устойчивых к противомикробным препаратам (antimicrobial resistant, AMR) бактерий, существующих в окружающей среде. Такие микробы ежегодно вызывают более 2,8 миллиона трудно поддающихся лечению инфекций (пневмония, инфекции кровотока и др.) и 35 000 смертей в США. Исследователи, включая аспиранта по компьютерным наукам Абу Сайеда Чоудхури, Ширу Броша из Школы электротехники и компьютерных наук и Дугласа Кола из Школы глобального здоровья животных Пола Г. Аллена, сообщили о своей работе в журнале Scientific Reports.
Устойчивость к противомикробным препаратам возникает, когда бактерии или другие микроорганизмы эволюционируют или приобретают гены, кодирующие механизмы лекарственной устойчивости. Бактерии, вызывающие стафилококковые или стрептококковые инфекции или такие заболевания, как туберкулез и пневмония, выработали устойчивые штаммы, что делает их лечение все более трудным, а иногда и невозможным. Ожидается, что в будущие десятилетия проблема усугубится с точки зрения роста числа инфекций, смертей и затрат на здравоохранение, поскольку бактерии эволюционируют, чтобы «перехитрить» ограниченное количество антибиотиков.
«Нам необходимо разрабатывать инструменты для легкого и эффективного прогнозирования устойчивости к противомикробным препаратам, которая все больше угрожает здоровью и жизни людей во всем мире», — сказал Чоудхури, ведущий автор статьи.
Поскольку крупномасштабное генетическое секвенирование стало проще, исследователи ищут гены AMR в окружающей среде. Их интересует, где микробы обитают в почве и воде и как они могут распространяться и влиять на здоровье человека. Хотя они могут идентифицировать гены, похожие на известные гены устойчивости к AMR, они, вероятно, упускают гены устойчивости, которые выглядят очень уникальными с точки зрения белковой последовательности.
Команда WSU разработала алгоритм машинного обучения, который использует особенности белков AMR, а не сходство последовательностей генов для их идентификации. Исследователи применили теорию игр — инструмент, используемый в нескольких областях, особенно в экономике, для моделирования стратегического взаимодействия между игроками, что, в свою очередь, помогает выявлять гены AMR. Используя свой алгоритм машинного обучения и подход теории игр, исследователи изучили взаимодействие нескольких характеристик генетического материала, включая его структуру, а также физико-химические и композиционные свойства белковых последовательностей, а не просто сходство последовательностей.
«Наше программное обеспечение можно использовать для более глубокого анализа метагеномных данных, чем это возможно с помощью простых алгоритмов поиска совпадений последовательностей», — сказал Чоудхури. — «Это может быть важным инструментом для выявления новых генов устойчивости к противомикробным препаратам, которые в конечном итоге могут приобрести клиническую значимость».
«Преимущество этой программы в том, что мы можем фактически обнаруживать AMR в недавно секвенированных геномах», — сказала Броша. — «Это способ выявления генов AMR и их распространенности, которые в противном случае могли бы остаться незамеченными. Это действительно важно».
Команда WSU рассматривала гены устойчивости, обнаруженные у видов Clostridium, Enterococcus, Staphylococcus, Streptococcus и Listeria. Эти бактерии являются причиной многих серьезных инфекций и инфекционных заболеваний, включая стафилококковые инфекции, пищевые отравления, пневмонию и опасный для жизни колит, вызванный C. difficile. Им удалось точно классифицировать гены устойчивости с точностью до 90%.
Они создали программный пакет, который можно легко загрузить и использовать другим исследователям для поиска AMR в больших массивах генетического материала. Программное обеспечение также можно со временем улучшать. Хотя оно обучено на текущих доступных данных, исследователи смогут переобучать алгоритм по мере появления большего количества данных и последовательностей.
«Вы можете постепенно улучшать программное обеспечение по мере появления большего количества положительных данных», — сказала Броша.