科学家们开发了一种基于人工智能的方法，以更准确地检测如结核菌和金黄色葡萄球菌等致命细菌中的抗生素耐药性。这一突破可能导致更快、更有效的治疗，并帮助缓解药物耐药性感染的上升，这已成为一个日益严重的全球健康危机。
药物耐药性感染，尤其是来自结核菌和金黄色葡萄球菌等致命细菌的感染，正成为全球健康危机。这些感染更难以治疗，通常需要更昂贵或有毒的药物，并导致更长时间的住院和更高的死亡率。根据世界卫生组织的数据，仅在2021年，就有45万人感染了多药耐药性结核，治疗成功率降至仅57%。
现在，杜兰大学的科学家们开发了一种新的基于人工智能的方法，可以更准确地检测与抗生素耐药性相关的基因标记在分枝杆菌和金黄色葡萄球菌中，这可能导致更快更有效的治疗。
杜兰大学的一项研究发表在自然通讯上，介绍了一种新的群体关联模型（GAM），利用机器学习来识别与药物耐药性相关的基因突变。与传统工具不同，传统工具可能会错误地将不相关的突变与耐药性联系起来，而GAM不依赖于对耐药机制的先前知识，使其更灵活，能够发现以前未知的基因变化。
目前，世界卫生组织等机构使用的抗药性检测方法要么耗时太长（如培养基检测），要么错过某些稀有突变（如某些基于DNA的测试）。杜兰的模型通过分析整个基因组序列，并比较具有不同耐药性模式的细菌菌株群体，来解决这两种问题，以找到可靠指示特定药物耐药性的基因变化。
“可以将其视为利用细菌的整个基因指纹来揭示其对某些抗生素免疫的机制，”资深作者托尼·胡博士（Tony Hu）说，他是生物技术创新的韦瑟希德总统讲席教授，也是杜兰细胞与分子诊断中心的主任。“我们本质上是在教计算机识别耐药性模式，而无需我们先指出它们。”
在这项研究中，研究人员将GAM应用于7000多株Mtb和近4000株S. aureus，识别出与耐药性相关的关键突变。他们发现，GAM的准确度不仅与世界卫生组织的耐药性数据库相匹配或超出，而且大幅减少了假阳性，错误地识别抗药性标记可能导致不当治疗。
“目前的基因检测可能错误地将细菌分类为耐药，从而影响患者护理，”首席作者朱利安·萨利巴（Julian Saliba）表示，他是杜兰大学细胞与分子诊断中心的研究生。“我们的方法提供了更清晰的视图，显示哪些突变实际上导致耐药性，减少了误诊和不必要的治疗变化。”
当与机器学习相结合时，使用有限或不完整数据预测耐药性的能力得到了改善。在使用来自中国的临床样本的验证研究中，增强的机器学习模型在预测对关键一线抗生素的耐药性方面优于基于WHO的方法。
这很重要，因为及早捕捉耐药性可以帮助医生在感染扩散或恶化之前量身定制适当的治疗方案。
该模型在无需专家定义规则的情况下检测耐药性的能力意味着它也可以潜在地应用于其他细菌，甚至在农业中，抗生素耐药性在作物中也是一个关注的问题。
“我们必须跟上不断演变的药物耐药性感染，”萨利巴说。“这个工具可以帮助我们做到这一点。”
