杜克大學生物醫學工程師表示，人工智慧可以幫助對抗抗藥性超級細菌
發布日期：達勒姆 – 杜克大學的生物醫學工程師表明，僅透過機器學習分析相同細菌病原體的不同菌株的生長動態就可以區分它們，然後還可以準確預測其他特徵，例如對抗生素的抗藥性。該演示可能指出識別疾病和預測其行為的方法，這些方法比目前的標準技術更快、更簡單、更便宜、更準確。
研究結果已線上發表於 8 月 3 日的《美國國家科學院院刊》。
在微生物學的大部分歷史中，細菌鑑定依賴於培養培養物並分析所得細菌菌落的物理特徵和行為。直到最近，科學家才可以簡單地進行基因測試。
然而，基因定序並非普遍可用，而且通常需要很長時間。即使能夠對整個基因組進行定序，也很難將特定的遺傳變異與現實世界中的不同行為聯繫起來。
例如，儘管研究人員知道有助於屏蔽/保護細菌免受 β-內酰胺抗生素（世界上最常用的抗生素）侵害的基因突變，但有時 DNA 並不是全部。雖然單一抗藥性細菌通常無法單獨抵抗一劑抗生素，但大量抗藥性細菌通常可以。
遊令崇杜克大學生物醫學工程教授和他的研究生卡洛琳張想知道對舊方法的新改造是否會更好。也許他們可以放大一種特定的物理特徵，不僅可以用它來識別病原體，還可以對抗生素抗藥性等其他特徵做出有根據的猜測。
「我們認為細菌菌株之間基因的微小差異可能會對它們的新陳代謝產生微妙的影響，」尤說。 「但由於細菌的生長呈指數級增長，這種微妙的影響可能會被放大到足以讓我們利用它。對我來說，這個想法有點直觀，但我對它的實際效果感到驚訝。”
細菌培養物在實驗室中生長的速度取決於其生長介質的豐富程度及其化學環境。但隨著人口的增長，文化會消耗營養並產生化學副產品。即使不同的菌株在完全相同的環境條件下開始，它們的生長方式和影響周圍環境的細微差異也會隨著時間的推移而累積。
在這項研究中，You和Zhang選取了200多株細菌病原體，其中大部分是 大腸桿菌，將它們放入相同的生長環境中，並隨著它們的增加仔細測量它們的人口密度。由於細微的遺傳差異，這些文化斷斷續續地生長，每種文化都有獨特的時間波動模式。然後，研究人員將生長動態數據輸入機器學習程序，該程序自學識別不同菌株的生長曲線並將其匹配。
令他們驚訝的是，效果非常好。
「僅使用一個初始條件的生長數據，該模型就能夠以超過 92% 的準確度識別特定菌株，」You 說。 “當我們使用四種不同的起始環境而不是一種時，準確率上升到約 98%。”
將這個想法更進一步，您和張隨後研究是否可以使用生長動態圖譜來預測另一種表型—抗生素抗藥性。
研究人員再次加載了一個機器學習程序，其中包含除其中一種菌株之外的所有菌株的生長動態曲線，以及它們對四種不同抗生素的抵抗力的數據。然後他們測試了所得模型是否可以根據其生長曲線預測最終菌株的抗生素抗藥性。為了擴大數據集，他們對所有其他菌株重複了這個過程。
結果表明，僅憑生長動態曲線就可以在 60% 至 75% 的時間內成功預測菌株對抗生素的抗藥性。
「這實際上與文獻中的一些當前技術相當或更好，包括許多使用基因測序數據的技術，」尤說。 「這只是一個原則證明。我們相信，憑藉更高解析度的成長動態數據，從長遠來看，我們可以做得更好。”
研究人員也研究了表現出相似生長曲線的菌株是否也具有相似的遺傳特徵。事實證明，兩者完全不相關，再次證明將細胞特徵和行為映射到特定的 DNA 片段是多麼困難。
展望未來，您計劃優化生長曲線程序，將識別菌株所需的時間從 2 至 3 天減少到大約 12 小時。他還計劃使用高清攝影機來觀察繪製細菌菌落在培養皿中的空間生長情況是否有助於使這一過程更加準確。
這項研究是與杜克大學醫學院的 Deverick J. Anderson、Joshua T. Thaden 和 Vance G. Fowler 以及華大基因公司的 Minfeng Shaw 等團隊合作進行的。
這項研究得到了美國國立衛生研究院 (LY, R01GM098642, R01GM110494, 1A1125604)、陸軍研究辦公室 (LY, W911NF-14-1-0490)、David and Lucile Packard 基金會、深圳孔雀團隊計畫資助的部分支持（MX，編號KQTD2015033117210153）、疾病管制與預防中心（DJA，U54CK000164）、AHRQ（DJA，R01-HS23821）、NIH（VGF，R01-AI068804）和美國國家科學基金會研究獎學金（CZ，人力資源管理） 。
“生長動力學中細菌身份和特徵的時間編碼。”張卡洛琳、宋文臣、馬海倫、彭曉、Deverick J. Anderson、Vance G. Fowler Jr、Joshua T. Thaden、蕭敏峰和尤令衝。 PNAS，2020。DOI：10.1073/pnas.2008807117
(C) 杜克大學
原文來源： WRAL 技術線