L'IA pourrait aider à lutter contre les superbactéries résistantes aux médicaments, selon les ingénieurs biomédicaux de Duke
Date publiée:DURHAM– Les ingénieurs biomédicaux de l’Université Duke ont montré que différentes souches du même pathogène bactérien peuvent être distinguées par une analyse par apprentissage automatique de leur dynamique de croissance uniquement, qui peut alors également prédire avec précision d’autres caractéristiques telles que la résistance aux antibiotiques. La démonstration pourrait indiquer des méthodes permettant d'identifier les maladies et de prédire leurs comportements, plus rapides, plus simples, moins coûteuses et plus précises que les techniques standards actuelles.
Les résultats apparaissent en ligne le 3 août dans les Actes de l'Académie nationale des sciences.
Pendant la majeure partie de l’histoire de la microbiologie, l’identification des bactéries s’est appuyée sur la culture de cultures et l’analyse des caractéristiques physiques et des comportements de la colonie bactérienne résultante. Ce n’est que récemment que les scientifiques pouvaient simplement effectuer un test génétique.
Toutefois, le séquençage génétique n’est pas universellement disponible et peut souvent prendre beaucoup de temps. Et même avec la possibilité de séquencer des génomes entiers, il peut être difficile de relier des variations génétiques spécifiques à différents comportements dans le monde réel.
Par exemple, même si les chercheurs connaissent les mutations génétiques qui aident à protéger les bactéries contre les antibiotiques bêta-lactamines (l'antibiotique le plus couramment utilisé dans le monde), il arrive parfois que l'ADN ne soit pas tout. Alors qu’une seule bactérie résistante ne peut généralement pas survivre seule à une dose d’antibiotiques, de grandes populations le peuvent souvent.
Lingchong vous, professeur de génie biomédical à Duke, et son étudiante diplômée, Carolyn Zhang, se sont demandé si une nouvelle version des méthodes plus anciennes pourrait mieux fonctionner. Peut-être pourraient-ils amplifier une caractéristique physique spécifique et l’utiliser non seulement pour identifier l’agent pathogène, mais aussi pour faire une supposition éclairée sur d’autres caractéristiques telles que la résistance aux antibiotiques.
"Nous pensions que la légère variation des gènes entre les souches de bactéries pourrait avoir un effet subtil sur leur métabolisme", a déclaré You. « Mais comme la croissance bactérienne est exponentielle, cet effet subtil pourrait être suffisamment amplifié pour que nous puissions en profiter. Pour moi, cette notion est quelque peu intuitive, mais j’ai été surpris de voir à quel point elle a réellement fonctionné.
La rapidité avec laquelle une culture bactérienne se développe dans un laboratoire dépend de la richesse du milieu dans lequel elle se développe et de son environnement chimique. Mais à mesure que la population augmente, la culture consomme des nutriments et produit des sous-produits chimiques. Même si différentes variétés démarrent avec exactement les mêmes conditions environnementales, des différences subtiles dans la façon dont elles se développent et influencent leur environnement s'accumulent au fil du temps.
Dans l'étude, You et Zhang ont pris plus de 200 souches de bactéries pathogènes, dont la plupart étaient des variations de E. coli, les a placés dans des environnements de croissance identiques et a soigneusement mesuré leur densité de population à mesure qu'elle augmentait. En raison de leurs légères différences génétiques, les cultures se sont développées par à-coups, chacune possédant un modèle de fluctuation temporelle unique. Les chercheurs ont ensuite introduit les données sur la dynamique de croissance dans un programme d’apprentissage automatique, qui a appris à identifier et à faire correspondre les profils de croissance aux différentes souches.
À leur grande surprise, cela a très bien fonctionné.
"En utilisant les données de croissance d'une seule condition initiale, le modèle a pu identifier une souche particulière avec une précision de plus de 92 pour cent", a déclaré You. "Et lorsque nous avons utilisé quatre environnements de départ différents au lieu d'un seul, cette précision s'est élevée à environ 98 pour cent."
En poussant cette idée un peu plus loin, You et Zhang ont ensuite cherché s'ils pouvaient utiliser des profils dynamiques de croissance pour prédire un autre phénotype : la résistance aux antibiotiques.
Les chercheurs ont de nouveau chargé un programme d’apprentissage automatique avec les profils dynamiques de croissance de toutes les souches sauf une, ainsi que des données sur leur résilience à quatre antibiotiques différents. Ils ont ensuite testé si le modèle résultant pouvait prédire les résistances aux antibiotiques de la souche finale à partir de son profil de croissance. Pour augmenter leur ensemble de données, ils ont répété ce processus pour toutes les autres souches.
Les résultats ont montré que le profil dynamique de croissance pouvait à lui seul prédire avec succès la résistance d'une souche aux antibiotiques dans 60 à 75 pour cent du temps.
"C'est en fait comparable, voire meilleur, à certaines des techniques actuelles de la littérature, y compris beaucoup qui utilisent des données de séquençage génétique", a déclaré You. « Et ce n’était qu’une preuve de principe. Nous pensons qu’avec des données à plus haute résolution sur la dynamique de croissance, nous pourrions faire un travail encore meilleur à long terme.
Les chercheurs ont également examiné si les souches présentant des courbes de croissance similaires avaient également des profils génétiques similaires. Il s’avère que les deux ne sont absolument pas corrélés, démontrant une fois de plus à quel point il peut être difficile de cartographier les traits et les comportements cellulaires sur des segments spécifiques de l’ADN.
À l’avenir, You prévoit d’optimiser la procédure de courbe de croissance afin de réduire le temps nécessaire à l’identification d’une souche de 2 à 3 jours à peut-être 12 heures. Il prévoit également d'utiliser des caméras haute définition pour voir si la cartographie de la croissance des colonies bactériennes dans l'espace dans une boîte de Pétri peut contribuer à rendre le processus encore plus précis.
Cette recherche a été menée en collaboration avec des groupes de Deverick J. Anderson, Joshua T. Thaden et Vance G. Fowler de la faculté de médecine de l'Université Duke et Minfeng Xiao de BGI Genomics.
Cette recherche a été partiellement financée par les National Institutes of Health (LY, R01GM098642, R01GM110494, 1A1125604), le Army Research Office (LY, W911NF-14-1-0490), la Fondation David et Lucile Packard, la subvention Shenzhen Peacock Team Plan. (MX, n° KQTD2015033117210153), les Centers for Disease Control and Prevention (DJA, U54CK000164), l'AHRQ (DJA, R01-HS23821), le NIH (VGF, R01-AI068804) et la bourse de recherche supérieure de la National Science Foundation (CZ, GRH).
"Codage temporel de l'identité bactérienne et des traits dans la dynamique de croissance." Carolyn Zhang, Wenchen Song, Helena R. Ma, Xiao Peng, Deverick J. Anderson, Vance G. Fowler Jr, Joshua T. Thaden, Minfeng Xiao et Lingchong You. PNAS, 2020. DOI : 10.1073/pnas.2008807117.
(C) Université Duke
Source originale de l’article : WRAL TechWire