杜克大学生物医学工程师表示，人工智能可以帮助对抗耐药超级细菌
发布日期：达勒姆 – 杜克大学的生物医学工程师表明，仅通过机器学习分析同一细菌病原体的不同菌株的生长动态就可以区分它们，然后还可以准确预测其他特征，例如对抗生素的耐药性。该演示可能指出识别疾病和预测其行为的方法，这些方法比当前的标准技术更快、更简单、更便宜、更准确。
研究结果在线发表于 8 月 3 日的《美国国家科学院院刊》上。
在微生物学的大部分历史中，细菌鉴定依赖于培养培养物并分析所得细菌菌落的物理特征和行为。直到最近，科学家们才可以简单地进行基因测试。
然而，基因测序并非普遍可用，而且通常需要很长时间。即使能够对整个基因组进行测序，也很难将特定的遗传变异与现实世界中的不同行为联系起来。
例如，尽管研究人员知道有助于屏蔽/保护细菌免受 β-内酰胺抗生素（世界上最常用的抗生素）侵害的基因突变，但有时 DNA 并不是全部。虽然单一耐药细菌通常无法单独抵抗一剂抗生素，但大量耐药细菌通常可以。
游令崇杜克大学生物医学工程教授和他的研究生卡罗琳·张想知道对旧方法的新改造是否会效果更好。也许他们可以放大一种特定的物理特征，不仅可以用它来识别病原体，还可以对抗生素耐药性等其他特征做出有根据的猜测。
“我们认为细菌菌株之间基因的微小差异可能会对它们的新陈代谢产生微妙的影响，”尤说。 “但由于细菌的生长呈指数级增长，这种微妙的影响可能会被放大到足以让我们利用它。对我来说，这个想法有点直观，但我对它的实际效果感到惊讶。”
细菌培养物在实验室中生长的速度取决于其生长介质的丰富程度及其化学环境。但随着人口的增长，文化会消耗营养并产生化学副产品。即使不同的菌株在完全相同的环境条件下开始，它们的生长方式和影响周围环境的细微差异也会随着时间的推移而积累。
在这项研究中，You和Zhang选取了200多株细菌病原体，其中大部分是 大肠杆菌，将它们放入相同的生长环境中，并随着它们的增加仔细测量它们的人口密度。由于细微的遗传差异，这些文化断断续续地生长，每种文化都具有独特的时间波动模式。然后，研究人员将生长动态数据输入机器学习程序，该程序自学识别不同菌株的生长曲线并将其匹配。
令他们惊讶的是，效果非常好。
“仅使用一个初始条件的生长数据，该模型就能够以超过 92% 的准确度识别特定菌株，”You 说。 “当我们使用四种不同的起始环境而不是一种时，准确率上升到约 98%。”
将这个想法更进一步，您和张随后研究是否可以使用生长动态图谱来预测另一种表型——抗生素耐药性。
研究人员再次加载了一个机器学习程序，其中包含除其中一种菌株之外的所有菌株的生长动态曲线，以及它们对四种不同抗生素的抵抗力的数据。然后他们测试了所得模型是否可以根据其生长曲线预测最终菌株的抗生素耐药性。为了扩大数据集，他们对所有其他菌株重复了这个过程。
结果表明，仅凭生长动态曲线就可以在 60% 至 75% 的时间内成功预测菌株对抗生素的耐药性。
“这实际上与文献中的一些当前技术相当或更好，包括许多使用基因测序数据的技术，”尤说。 “这只是一个原则证明。我们相信，凭借更高分辨率的增长动态数据，从长远来看，我们可以做得更好。”
研究人员还研究了表现出相似生长曲线的菌株是否也具有相似的遗传特征。事实证明，两者完全不相关，再次证明将细胞特征和行为映射到特定的 DNA 片段是多么困难。
展望未来，您计划优化生长曲线程序，将识别菌株所需的时间从 2 至 3 天减少到大约 12 小时。他还计划使用高清摄像机来观察绘制细菌菌落在培养皿中的空间生长情况是否有助于使这一过程更加准确。
这项研究是与杜克大学医学院的 Deverick J. Anderson、Joshua T. Thaden 和 Vance G. Fowler 以及华大基因公司的 Minfeng Shaw 等团队合作进行的。
这项研究得到了美国国立卫生研究院 (LY, R01GM098642, R01GM110494, 1A1125604)、陆军研究办公室 (LY, W911NF-14-1-0490)、David and Lucile Packard 基金会、深圳孔雀团队计划资助的部分支持（MX，编号 KQTD2015033117210153）、疾病控制与预防中心（DJA，U54CK000164）、AHRQ（DJA，R01-HS23821）、NIH（VGF，R01-AI068804）和国家科学基金会研究生研究奖学金（CZ，人力资源管理）。
“生长动力学中细菌身份和特征的时间编码。”张卡洛琳、宋文臣、马海伦、彭晓、Deverick J. Anderson、Vance G. Fowler Jr、Joshua T. Thaden、肖敏峰和尤令冲。 PNAS，2020。DOI：10.1073/pnas.2008807117
(C) 杜克大学
原文来源： WRAL 技术线