En AI-modell som tränats på stora mängder genetiska data kan nu förutsäga när bakterier blir antibiotikaresistenta. Den nya studien visar att antibiotikaresistens lättare överförs mellan bakterier som är genetiskt lika varandra och att detta främst sker i reningsverk och inuti människokroppen.
− Genom att förstå hur resistens hos bakterier uppstår kan vi bättre bekämpa dess spridning. Det är avgörande för att skydda både folkhälsan och sjukvårdens möjligheter att behandla infektioner, säger Erik Kristiansson, professor vid institutionen för matematiska vetenskaper på Chalmers och Göteborgs universitet.
Enligt världshälsoorganisationen WHO är antibiotikaresistens ett av de största hoten mot global hälsa. När bakterier blir resistenta försvinner antibiotikans effekt mot dem, vilket dels gör sjukdomar som exempelvis lunginflammation och blodförgiftning svåra eller omöjliga att behandla, dels gör det svårare att förhindra infektioner vid exempelvis transplantation och cancerbehandling. En grundläggande orsak till den snabba spridningen av antibiotikaresistens är bakteriers förmåga att utbyta gener mellan varandra, inklusive de gener som gör bakterierna resistenta.
− Bakterier som är skadliga för människor har idag samlat på sig ett stort antal resistensgener, vilket är slutsteget i en komplex evolutionär process. Många av dessa gener kommer ursprungligen från ofarliga bakterier som lever i vår kropp eller i miljön. Vår forskning granskar hur dessa gener överförs till sjukdomsalstrande bakterier, för att göra det möjligt att förutsäga hur framtidens bakterier utvecklar resistens, säger Erik Kristiansson.
Komplex datamängd från hela världen
I den nya studien, som utförts av forskare på Chalmers tekniska högskola, Göteborgs universitet och Fraunhofer-Chalmers Centre, utvecklade forskarna en AI-modell för att analysera historiska genöverföringar mellan bakterier med hjälp av information om bakteriernas DNA, uppbyggnad, och livsmiljö. Modellen tränades på nästan en miljon bakteriers genuppsättningar, en omfattande datamängd sammanställd av det internationella forskarsamhället under många år.
− AI är som bäst i komplexa sammanhang med stora datamängder, säger David Lund, doktorand vid institutionen för matematiska vetenskaper på Chalmers och Göteborgs universitet. Det unika med vår studie är bland annat den mycket stora mängd data vi använt för att träna modellen, vilket visar att AI och maskininlärning är ett kraftfullt verktyg för att beskriva de komplexa biologiska processer som gör bakterieinfektioner svårbehandlade.
Nya slutsatser om när antibiotikaresistens uppstår
Studien visar i vilka miljöer resistensgenerna överförs mellan olika bakterier, samt vad som gör att vissa bakterier är mer benägna än andra att byta gener med varandra.
− Vi ser att bakterier som finns i människor och i vattenreningsverk har en högre sannolikhet att bli resistenta genom genöverföring. Det är helt enkelt miljöer där många bakterier som bär på resistensgener stöter på andra bakterier, och ofta i närvaro av antibiotika, säger David Lund.
En annan viktig faktor som ökar sannolikheten för att resistensgener ska ”hoppa” från en bakterie till en annan är bakteriernas genetiska likhet. När en bakterie tar upp en ny gen krävs energi för att lagra DNA:t och producera det protein som genen kodar för, vilket innebär en kostnad för bakterien.
− De flesta resistensgener delas mellan bakterier som har en arvsmassa med liknande struktur. Vi tror att kostnaden för att ta upp den nya genen då blir lägre. Vi fortsätter nu forskningen för att mer exakt förstå vilka mekanismer som styr denna process, säger Erik Kristiansson.
Hoppas på modell för diagnostik
För att testa modellens prestationsförmåga utvärderades den mot bakterier där forskarna visste att överföring av resistensgener har skett, men där AI-modellen inte fick veta det på förhand. Som en sorts tentamen, där endast forskarna hade facit. Slutsatsen blev att modellen i fyra fall av fem kunde förutsäga om en överföring av resistensgener skulle ske. Och enligt Erik Kristiansson kan kommande modeller bli ännu mer exakta. Dels genom att själva AI-modellen utvecklas och blir mer avancerad, dels genom att den tränas på ännu mer data.
− AI och maskininlärning gör det möjligt att effektivt analysera och tolka de enorma mängder data som finns tillgängliga idag. Det gör att vi verkligen kan arbeta datadrivet för att svara på komplexa frågor som vi har brottats med länge, men också ställa helt nya frågor, säger han.
Forskarna hoppas att AI-modellen i framtiden ska kunna användas i system för att snabbt identifiera om en ny resistensgen riskerar att överföras till sjukdomsalstrande bakterier, och översätta detta i praktiska åtgärder.
− Det kan exempelvis handla om bättre molekylär diagnostik för att hitta multiresistenta bakterier eller övervakning av reningsverk och andra miljöer där antibiotika kan förekomma, säger Erik Kristiansson.
Källa: Chalmers
