Onderzoekers van de Universiteit van Cambridge hebben AI ingezet in de strijd tegen antibioticaresistentie.
Het onderzoeksteam, onder leiding van professor Stephen Baker, creëerde een tool voor machinaal leren die alleen microscopiebeelden gebruikt om onderscheid te maken tussen bacteriën die resistent zijn tegen ciprofloxacine (een veelgebruikt antibioticum) en bacteriën die er gevoelig voor zijn.
Dit zou de tijd die nodig is voor het diagnosticeren van antibioticaresistentie drastisch kunnen verkorten, waardoor de manier waarop we gevaarlijke infecties zoals buiktyfus behandelen mogelijk verandert.
De onderzoekgepubliceerd in Nature Communications, richtte zich op Salmonella Typhimurium, een bacterie die ernstige gastro-intestinale ziekten veroorzaakt en kan leiden tot levensbedreigende invasieve ziekten.
Dr. Tuan-Anh Tran, een belangrijke onderzoeker van het project, legde de aanpak uit in een blogpost: "Het mooie van het machine-learningmodel is dat het resistente bacteriën kan identificeren op basis van een paar subtiele kenmerken op microscopiebeelden die menselijke ogen niet kunnen detecteren."
Het onderzoeksproces omvatte verschillende belangrijke stappen:
- Bacteriële monstervoorbereiding: Het team kweekte S. Typhimurium-monsters in vloeibare voedingsbodems, sommige blootgesteld aan verschillende concentraties ciprofloxacine en andere niet.
- Beeldvorming met hoge inhoud: Met behulp van een geavanceerde microscoop maakten de onderzoekers gedetailleerde foto's van de bacteriën op meerdere tijdstippen.
- Beeldanalyse: Gespecialiseerde software extraheerde 65 verschillende kenmerken van elke bacteriecel, waaronder vorm, grootte en interactie met fluorescerende kleurstoffen.
- Ontwikkeling van modellen voor machinaal leren: De onderzoekers voerden deze gegevens in verschillende algoritmen voor machinaal leren en trainden ze om patronen te herkennen die verband houden met antibioticaresistentie.
- Eigenschapsselectie: Het team identificeerde de meest cruciale kenmerken voor het onderscheid tussen resistente en vatbare bacteriën.
De resultaten van dit proces waren indrukwekkend. Het AI-systeem identificeerde antibioticaresistente bacteriën in ongeveer 87% van de tijd correct.
Het belangrijkste was misschien wel dat de onderzoekers ontdekten dat resistente en vatbare bacteriën verschillende visuele patronen hadden die de AI kon detecteren, zelfs als ze niet waren blootgesteld aan antibiotica.
Dit suggereert dat antibioticaresistentie het uiterlijk van bacteriën verandert op manieren die te subtiel zijn voor mensen om te zien, maar die AI wel kan detecteren.
De huidige methoden vereisen doorgaans meerdere dagen van bacteriekweek en testen tegen verschillende antimicrobiële stoffen. De nieuwe AI-gebaseerde methode kan daarentegen mogelijk binnen enkele uren resultaten opleveren.
Door een snellere diagnose kunnen artsen sneller de meest effectieve antibiotica voorschrijven, waardoor de resultaten voor de patiënt mogelijk verbeteren en de verspreiding van resistente bacteriën afneemt.
In de toekomst wil het onderzoeksteam hun aanpak uitbreiden naar complexere klinische monsters zoals bloed of urine en deze testen op andere soorten bacteriën en antibiotica. Ze werken er ook aan om de technologie toegankelijker te maken voor ziekenhuizen en klinieken wereldwijd.
Zoals professor Baker uitlegt: "Wat echt belangrijk zou zijn, vooral voor een klinische context, zou zijn om een complex monster te kunnen nemen - bijvoorbeeld bloed of urine of sputum - en de gevoeligheid en resistentie direct aan de hand daarvan te identificeren."
"Dat is een veel ingewikkelder probleem dat nog helemaal niet is opgelost, zelfs niet in de klinische diagnostiek in een ziekenhuis. Als we een manier kunnen vinden om dit te doen, kunnen we de tijd die nodig is om resistentie tegen medicijnen vast te stellen verkorten en dat tegen veel lagere kosten. Dat zou echt transformerend kunnen zijn."
Dr. Sushmita Sridhar vatte de effecten als volgt samen: "Aangezien deze benadering gebruik maakt van beeldvorming met een resolutie van één cel, is het nog geen oplossing die overal kan worden toegepast. Maar het laat echt zien dat het vastleggen van slechts een paar parameters over de vorm en structuur van de bacterie ons voldoende informatie kan geven om relatief eenvoudig resistentie tegen medicijnen te voorspellen."
Nu antibioticaresistentie een steeds grotere bedreiging blijft vormen voor de wereldgezondheid, bieden innovatieve benaderingen zoals deze AI-gestuurde beeldvormingstechniek nieuwe hoop.
Dit maakt deel uit van een bredere trend van AI-gestuurde innovaties in antibioticaonderzoek. Op het MIT hebben onderzoekers deep learning-modellen gebruikt om een antibioticum te ontdekken. geheel nieuwe klasse antibiotica.
In dezelfde geest kondigde een ander team wetenschappers in mei vorig jaar aan dat ze AI hadden gebruikt om een nieuw antibioticum identificeren effectief tegen geneesmiddelresistente bacteriën.
AI maakt een snellere en nauwkeurigere identificatie van geneesmiddelresistente infecties mogelijk, wat de weg vrijmaakt voor effectievere behandelingen en betere resultaten voor patiënten.
De komende jaren zullen cruciaal zijn voor het team om hun laboratoriumsuccessen te vertalen naar klinische toepassingen in de echte wereld.
