Ερευνητές του Πανεπιστημίου του Cambridge αξιοποίησαν την τεχνητή νοημοσύνη για την καταπολέμηση της ανθεκτικότητας στα αντιβιοτικά.

Η ερευνητική ομάδα, με επικεφαλής τον καθηγητή Stephen Baker , δημιούργησε ένα εργαλείο μηχανικής μάθησης που χρησιμοποιεί μόνο εικόνες μικροσκοπίας για να διακρίνει τα βακτήρια που είναι ανθεκτικά στην σιπροφλοξασίνη (ένα κοινό αντιβιοτικό) από εκείνα που είναι ευαίσθητα σε αυτήν.

Αυτό θα μπορούσε να μειώσει δραματικά τον χρόνο που απαιτείται για τη διάγνωση της ανθεκτικότητας στα αντιβιοτικά, μεταμορφώνοντας ενδεχομένως τον τρόπο με τον οποίο αντιμετωπίζουμε επικίνδυνες λοιμώξεις όπως ο τυφοειδής πυρετός.

Η μελέτη, που δημοσιεύθηκε στο Nature Communications, επικεντρώθηκε στη Salmonella Typhimurium, ένα βακτήριο που προκαλεί σοβαρές γαστρεντερικές ασθένειες και μπορεί να οδηγήσει σε απειλητική για τη ζωή διεισδυτική νόσο.

Ο Δρ Tuan-Anh Tran, βασικός ερευνητής του έργου, εξήγησε την προσέγγιση σε μια ανάρτηση στο ιστολόγιο: “Η ομορφιά του μοντέλου μηχανικής μάθησης είναι ότι μπορεί να εντοπίσει τα ανθεκτικά βακτήρια με βάση μερικά λεπτά χαρακτηριστικά στις εικόνες μικροσκοπίας που δεν μπορούν να ανιχνεύσουν τα ανθρώπινα μάτια”.

Η ερευνητική διαδικασία περιελάμβανε διάφορα βασικά βήματα:

• Προετοιμασία βακτηριακού δείγματος: Η ομάδα καλλιέργησε δείγματα S. Typhimurium σε υγρά θρεπτικά μέσα, ορισμένα εκτέθηκαν σε διαφορετικές συγκεντρώσεις σιπροφλοξασίνης και άλλα όχι.
• Απεικόνιση υψηλού περιεχομένου: Χρησιμοποιώντας ένα εξελιγμένο μικροσκόπιο, οι ερευνητές έλαβαν λεπτομερείς εικόνες των βακτηρίων σε πολλαπλά χρονικά σημεία.
• Ανάλυση εικόνας: Εξειδικευμένο λογισμικό εξήγαγε 65 διαφορετικά χαρακτηριστικά από κάθε βακτηριακό κύτταρο, συμπεριλαμβανομένου του σχήματος, του μεγέθους και της αλληλεπίδρασης με φθορίζουσες χρωστικές.
• Ανάπτυξη μοντέλου μηχανικής μάθησης: Οι ερευνητές τροφοδότησαν αυτά τα δεδομένα σε διάφορους αλγορίθμους μηχανικής μάθησης, εκπαιδεύοντάς τους να αναγνωρίζουν μοτίβα που σχετίζονται με την αντοχή στα αντιβιοτικά.
• Επιλογή χαρακτηριστικών: Η ομάδα εντόπισε τα πιο κρίσιμα χαρακτηριστικά για τη διάκριση μεταξύ ανθεκτικών και ευαίσθητων βακτηρίων.

Τα αποτελέσματα αυτής της διαδικασίας ήταν εντυπωσιακά. Το σύστημα τεχνητής νοημοσύνης αναγνώρισε σωστά τα ανθεκτικά στα αντιβιοτικά βακτήρια περίπου στο 87% των περιπτώσεων.

Ίσως το πιο σημαντικό, οι ερευνητές διαπίστωσαν ότι τα ανθεκτικά και τα ευαίσθητα βακτήρια είχαν διακριτά οπτικά μοτίβα που η τεχνητή νοημοσύνη μπορούσε να ανιχνεύσει, ακόμη και όταν δεν είχαν εκτεθεί σε αντιβιοτικά.

Αυτό υποδηλώνει ότι η αντίσταση στα αντιβιοτικά αλλάζει την εμφάνιση των βακτηρίων με τρόπους που είναι πολύ ανεπαίσθητοι για να τους δει ο άνθρωπος, αλλά που η τεχνητή νοημοσύνη μπορεί να ανιχνεύσει.

Οι τρέχουσες μέθοδοι απαιτούν συνήθως αρκετές ημέρες καλλιέργειας βακτηρίων και δοκιμών έναντι διαφόρων αντιμικροβιακών ουσιών. Αντίθετα, η νέα μέθοδος που βασίζεται στην ΤΝ θα μπορούσε δυνητικά να παρέχει αποτελέσματα μέσα σε λίγες ώρες.

Η ταχύτερη διάγνωση επιτρέπει στους γιατρούς να συνταγογραφούν τα πιο αποτελεσματικά αντιβιοτικά νωρίτερα, βελτιώνοντας ενδεχομένως τα αποτελέσματα των ασθενών και μειώνοντας την εξάπλωση των ανθεκτικών βακτηρίων.

Κοιτάζοντας μπροστά, η ερευνητική ομάδα στοχεύει να επεκτείνει την προσέγγισή της σε πιο σύνθετα κλινικά δείγματα όπως αίμα ή ούρα και να τα δοκιμάσει σε άλλους τύπους βακτηρίων και αντιβιοτικών. Εργάζονται επίσης για να καταστήσουν την τεχνολογία πιο προσιτή σε νοσοκομεία και κλινικές σε όλο τον κόσμο.

Όπως εξηγεί ο καθηγητής Baker: “Αυτό που θα ήταν πραγματικά σημαντικό, ιδιαίτερα για ένα κλινικό πλαίσιο, θα ήταν να μπορούμε να πάρουμε ένα σύνθετο δείγμα – για παράδειγμα αίμα ή ούρα ή πτύελα – και να προσδιορίσουμε την ευαισθησία και την αντοχή απευθείας από αυτό”.

“Αυτό είναι ένα πολύ πιο περίπλοκο πρόβλημα και ένα πρόβλημα που πραγματικά δεν έχει επιλυθεί καθόλου, ακόμη και στην κλινική διάγνωση σε ένα νοσοκομείο. Αν μπορούσαμε να βρούμε έναν τρόπο να το κάνουμε αυτό, θα μπορούσαμε να μειώσουμε τον χρόνο που απαιτείται για τον εντοπισμό της ανθεκτικότητας στα φάρμακα και με πολύ χαμηλότερο κόστος. Αυτό θα μπορούσε να είναι πραγματικά μετασχηματιστικό”.

Η Dr. Sushmita Sridhar συνόψισε τις επιπτώσεις, δηλώνοντας: “Δεδομένου ότι η προσέγγιση αυτή χρησιμοποιεί απεικόνιση με ανάλυση ενός κυττάρου, δεν είναι ακόμη μια λύση που θα μπορούσε να αναπτυχθεί εύκολα παντού. Όμως, δείχνει πραγματικά υποσχόμενη ότι, καταγράφοντας μερικές μόνο παραμέτρους σχετικά με το σχήμα και τη δομή των βακτηρίων, μπορεί να μας δώσει αρκετές πληροφορίες για να προβλέψουμε την ανθεκτικότητα στα φάρμακα με σχετική ευκολία”.

Καθώς η αντίσταση στα αντιβιοτικά εξακολουθεί να αποτελεί μια κλιμακούμενη παγκόσμια απειλή για την υγεία, καινοτόμες προσεγγίσεις όπως αυτή η τεχνική απεικόνισης με τεχνητή νοημοσύνη προσφέρουν νέες ελπίδες.

Αυτό αποτελεί μέρος μιας ευρύτερης τάσης καινοτομιών με γνώμονα την ΤΝ στην έρευνα για τα αντιβιοτικά. Στο ΜΙΤ, οι ερευνητές χρησιμοποίησαν μοντέλα βαθιάς μάθησης για να ανακαλύψουν μια εντελώς νέα κατηγορία αντιβιοτικών.

Σε παρόμοιο πνεύμα, μια άλλη ομάδα επιστημόνων ανακοίνωσε τον περασμένο Μάιο ότι χρησιμοποίησε την τεχνητή νοημοσύνη για να εντοπίσει ένα νέο αντιβιοτικό αποτελεσματικό κατά των ανθεκτικών στα φάρμακα βακτηρίων.

Η τεχνητή νοημοσύνη επιτρέπει τον ταχύτερο και ακριβέστερο εντοπισμό των ανθεκτικών στα φάρμακα λοιμώξεων, ανοίγοντας το δρόμο για αποτελεσματικότερες θεραπείες και καλύτερα αποτελέσματα για τους ασθενείς.

Τα επόμενα χρόνια θα είναι κρίσιμα, καθώς η ομάδα εργάζεται για να μεταφράσει την εργαστηριακή της επιτυχία σε πραγματικές κλινικές εφαρμογές.