KI könnte helfen, arzneimittelresistente Superbakterien zu bekämpfen, sagen biomedizinische Ingenieure von Duke

DURHAM – Biomedizinische Ingenieure der Duke University haben gezeigt, dass verschiedene Stämme desselben bakteriellen Krankheitserregers allein durch eine maschinelle Lernanalyse ihrer Wachstumsdynamik unterschieden werden können, wodurch dann auch andere Merkmale wie die Resistenz gegen Antibiotika genau vorhergesagt werden können. Die Demonstration könnte auf Methoden zur Identifizierung von Krankheiten und zur Vorhersage ihres Verhaltens hinweisen, die schneller, einfacher, kostengünstiger und genauer sind als aktuelle Standardtechniken.

Die Ergebnisse erscheinen online am 3. August in den Proceedings der National Academy of Sciences.

In der Geschichte der Mikrobiologie basierte die Identifizierung von Bakterien größtenteils auf der Züchtung von Kulturen und der Analyse der physikalischen Merkmale und Verhaltensweisen der resultierenden Bakterienkolonie. Erst vor kurzem konnten Wissenschaftler einfach einen Gentest durchführen.

Die genetische Sequenzierung ist jedoch nicht allgemein verfügbar und kann oft lange dauern. Und selbst mit der Möglichkeit, ganze Genome zu sequenzieren, kann es schwierig sein, bestimmte genetische Variationen mit unterschiedlichen Verhaltensweisen in der realen Welt in Verbindung zu bringen.

Auch wenn Forscher beispielsweise die genetischen Mutationen kennen, die dazu beitragen, Bakterien vor Beta-Lactam-Antibiotika – dem weltweit am häufigsten verwendeten Antibiotikum – zu schützen, ist die DNA manchmal nicht die ganze Geschichte. Während ein einzelnes resistentes Bakterium eine Antibiotikadosis normalerweise nicht allein überleben kann, können große Populationen dies oft tun.

Lingchong Du, Professor für Biomedizintechnik an der Duke University, und seine Doktorandin Carolyn Zhang fragten sich, ob eine neue Variante älterer Methoden möglicherweise besser funktionieren könnte. Vielleicht könnten sie ein bestimmtes physikalisches Merkmal verstärken und es nicht nur zur Identifizierung des Krankheitserregers nutzen, sondern auch, um eine fundierte Vermutung über andere Merkmale wie Antibiotikaresistenz anzustellen.

„Wir dachten, dass die geringfügigen Unterschiede in den Genen zwischen Bakterienstämmen einen subtilen Einfluss auf ihren Stoffwechsel haben könnten“, sagte You. „Aber da das Bakterienwachstum exponentiell ist, könnte dieser subtile Effekt so stark verstärkt werden, dass wir ihn nutzen können. Für mich ist dieser Gedanke einigermaßen intuitiv, aber ich war überrascht, wie gut er tatsächlich funktioniert.“

Wie schnell eine Bakterienkultur in einem Labor wächst, hängt von der Vielfalt der Medien, in denen sie wächst, und ihrer chemischen Umgebung ab. Aber wenn die Bevölkerung wächst, verbraucht die Kultur Nährstoffe und produziert chemische Nebenprodukte. Selbst wenn verschiedene Stämme mit genau den gleichen Umweltbedingungen beginnen, häufen sich im Laufe der Zeit subtile Unterschiede in der Art und Weise, wie sie wachsen und ihre Umgebung beeinflussen.

In der Studie verwendeten You und Zhang mehr als 200 Stämme bakterieller Krankheitserreger, von denen die meisten Variationen davon waren E coli, brachten sie in identische Wachstumsumgebungen und maßen sorgfältig ihre zunehmende Bevölkerungsdichte. Aufgrund ihrer geringfügigen genetischen Unterschiede wuchsen die Kulturen in Phasen, wobei jede ein einzigartiges zeitliches Schwankungsmuster aufwies. Anschließend speisten die Forscher die Wachstumsdynamikdaten in ein maschinelles Lernprogramm ein, das sich selbst beibrachte, die Wachstumsprofile der verschiedenen Stämme zu identifizieren und abzugleichen.

Zu ihrer Überraschung funktionierte es wirklich gut.

„Anhand der Wachstumsdaten von nur einem Anfangszustand war das Modell in der Lage, einen bestimmten Stamm mit einer Genauigkeit von mehr als 92 Prozent zu identifizieren“, sagte You. „Und als wir statt einer vier verschiedene Startumgebungen verwendeten, stieg diese Genauigkeit auf etwa 98 Prozent.“

Sie und Zhang führten diese Idee noch einen Schritt weiter und untersuchten dann, ob sie Wachstumsdynamikprofile verwenden könnten, um einen anderen Phänotyp vorherzusagen – die Antibiotikaresistenz.

Die Forscher luden erneut ein maschinelles Lernprogramm mit den Wachstumsdynamikprofilen aller bis auf einen der verschiedenen Stämme sowie Daten über ihre Widerstandsfähigkeit gegenüber vier verschiedenen Antibiotika ein. Anschließend testeten sie, ob das resultierende Modell anhand seines Wachstumsprofils die Antibiotikaresistenzen des endgültigen Stamms vorhersagen konnte. Um ihren Datensatz zu erweitern, wiederholten sie diesen Vorgang für alle anderen Stämme.

Die Ergebnisse zeigten, dass das Wachstumsdynamikprofil allein in 60 bis 75 Prozent der Fälle die Resistenz eines Stammes gegen Antibiotika erfolgreich vorhersagen konnte.

„Dies ist tatsächlich gleichwertig oder besser als einige der aktuellen Techniken in der Literatur, darunter viele, die genetische Sequenzierungsdaten verwenden“, sagte You. „Und das war nur ein Beweis des Prinzips. Wir glauben, dass wir mit höher aufgelösten Daten der Wachstumsdynamik langfristig noch bessere Arbeit leisten könnten.“

Die Forscher untersuchten auch, ob die Stämme mit ähnlichen Wachstumskurven auch ähnliche genetische Profile aufwiesen. Wie sich herausstellt, sind die beiden völlig unkorreliert, was einmal mehr zeigt, wie schwierig es sein kann, zelluläre Merkmale und Verhaltensweisen bestimmten Abschnitten der DNA zuzuordnen.

Für die Zukunft planen Sie, das Wachstumskurvenverfahren zu optimieren, um die Zeit, die zur Identifizierung eines Stammes benötigt wird, von 2 bis 3 Tagen auf vielleicht 12 Stunden zu verkürzen. Er plant außerdem den Einsatz hochauflösender Kameras, um herauszufinden, ob die Kartierung des Wachstums von Bakterienkolonien im Weltraum in einer Petrischale dazu beitragen kann, den Prozess noch genauer zu machen.

Diese Forschung wurde in Zusammenarbeit mit den Gruppen Deverick J. Anderson, Joshua T. Thaden und Vance G. Fowler von der Duke University School of Medicine sowie Minfeng Xiao von BGI Genomics durchgeführt.

Diese Forschung wurde teilweise von den National Institutes of Health (LY, R01GM098642, R01GM110494, 1A1125604), dem Army Research Office (LY, W911NF-14-1-0490), der David and Lucile Packard Foundation und dem Shenzhen Peacock Team Plan Grant unterstützt (MX, Nr. KQTD2015033117210153), die Centers for Disease Control and Prevention (DJA, U54CK000164), AHRQ (DJA, R01-HS23821), NIH (VGF, R01-AI068804) und das Graduate Research Fellowship der National Science Foundation (CZ, HRM).

„Zeitliche Kodierung der bakteriellen Identität und Merkmale in der Wachstumsdynamik.“ Carolyn Zhang, Wenchen Song, Helena R. Ma, Xiao Peng, Deverick J. Anderson, Vance G. Fowler Jr, Joshua T. Thaden, Minfeng Xiao und Lingchong You. PNAS, 2020. DOI: 10.1073/pnas.2008807117

(C) Duke University

Originalquelle des Artikels: WRAL TechWire