Narkotikams atsparios infekcijos, ypač dėl mirtinų bakterijų, tokių kaip tuberkuliozė ir staph, yra auganti pasaulinė sveikatos krizė. Šias infekcijas sunkiau gydyti, dažnai reikia brangesnių ar toksiškų vaistų ir yra atsakingos už ilgesnį buvimą ligoninėje ir didesnį mirtingumą. Vien 2021 m. Pasaulio sveikatos organizacijos duomenimis, 450 000 žmonių išsivystė daugialypei vaistams atspariai tuberkuliozei, o gydymo sėkmės procentas sumažėjo iki 57%.
Dabar Tulane'o universiteto mokslininkai sukūrė naują dirbtinio intelekto pagrįstą metodą, kuris tiksliau aptinka genetinius atsparumo antibiotikams žymenis Mycobacterium tuberculosis ir Staphylococcus aureus-potencialiai lemia greitesnį ir efektyvesnį gydymą.
Tulane tyrimas pristato naują grupės asociacijos modelį (GAM), kuris naudoja mašinų mokymąsi, kad nustatytų genetines mutacijas, susijusias su atsparumu vaistams. Skirtingai nuo tradicinių priemonių, kurios klaidingai gali susieti nesusijusias mutacijas su pasipriešinimu, GAM nepasireiškia išankstinėmis žiniomis apie atsparumo mechanizmus, todėl jis tampa lankstesnis ir gali rasti anksčiau nežinomų genetinių pokyčių.
Straipsnis paskelbtas žurnale Gamtos ryšiai.
Dabartiniai atsparumo aptikimo metodai, kuriuos naudoja tokios organizacijos, kaip PSO, per ilgai trunka per ilgai, kaip kultūros pagrindu, arba praleidžia retas mutacijas, kaip ir atliekant kai kuriuos DNR pagrįstus testus. Tulane'o modelis išsprendžia abi problemas analizuodamas visos genomo sekas ir palygindamas bakterijų padermių grupes su skirtingais atsparumo modeliais, kad būtų galima rasti genetinius pokyčius, kurie patikimai rodo atsparumą specifiniams vaistams.
„Pagalvokite apie tai, kaip naudoti visą bakterijų genetinį pirštų atspaudą, kad išsiaiškintumėte, kas daro jį nuo tam tikrų antibiotikų“, – sakė vyresnysis autorius Tony Hu, Ph.D., Weatherhead prezidento pirmininkas biotechnologijų inovacijų inovacijose ir Tulane Center ir molekulinės diagnostikos centro direktorius. „Mes iš esmės mokome kompiuterį, kad atpažintume pasipriešinimo modelius, nereikalaujant mūsų pirmiausia nurodyti.”
Tyrimo metu tyrėjai pritaikė GAM į daugiau nei 7000 MTB padermių ir beveik 4000 S. aureus padermių, nustatydami pagrindines mutacijas, susijusias su atsparumu. Jie nustatė, kad GAM ne tik atitiko arba viršijo PSO atsparumo duomenų bazės tikslumą, bet ir drastiškai sumažino klaidingus teigiamus dalykus, neteisingai nustatytus atsparumo žymenis, kurie gali sukelti netinkamą gydymą.
„Dabartiniai genetiniai tyrimai gali neteisingai klasifikuoti bakterijas kaip atsparias, turinčias įtakos pacientų priežiūrai“, – teigė pagrindinis autorius Julianas Saliba, Tulane universiteto ląstelių ir molekulinės diagnostikos centro magistrantas. „Mūsų metodas pateikia aiškesnį vaizdą, kuris mutacijas iš tikrųjų sukelia atsparumą, sumažina klaidingas diagnozes ir nereikalingi gydymo pokyčiai.”
Derinant su mašininiu mokymuisi, pagerėjo galimybė numatyti pasipriešinimą su ribotais ar neišsamiais duomenimis. Atliekant patvirtinimo tyrimus, naudojant klinikinius pavyzdžius iš Kinijos, mašininis mokymosi patobulintas modelis aplenkė PSO metodus, numatant atsparumą pagrindiniams priekinėms antibiotikams.
Tai reikšminga, nes ankstyvas pasipriešinimas gali padėti gydytojams pritaikyti tinkamą gydymo režimą prieš infekciją plinta ar pablogėja.
Modelio gebėjimas aptikti atsparumą nereikalaujant ekspertų apibrėžtų taisyklių taip pat reiškia, kad jis gali būti pritaikytas kitoms bakterijoms ar net žemės ūkiui, kur atsparumas antibiotikams taip pat kelia susirūpinimą keliančiuose pasėliuose.
„Labai svarbu, kad mes neatsiliktume nuo nuolat besikeičiančių narkotikų atsparių infekcijų“,-teigė Saliba. „Šis įrankis gali padėti mums tai padaryti.”