MALDI-TOF можно использовать для определения антибиотикорезистентности

Алгоритм машинного обучения, натренированный на большой базе масс-спектров белков, входящих в состав патогенных микробов, с высокой точностью предсказывает видоспецифическую устойчивость к антибиотикам.

Модель молекулы цефтриаксона.

Credit:  molekuul | 123rf.com

Швейцарские ученые разработали метод предсказания устойчивости бактериальных патогенов к антимикробным препаратам, основанный на масс-спектрометрии MALDI-TOF.

MALDI-TOF позволяет с высокой точностью определить белковый состав единичной бактериальной или грибной колонии, что делает возможной идентификацию микроорганизма. Результаты анализа доступны через 24 часа после сбора образца, а стоимость его ниже, чем у традиционной ПЦР. Единственным препятствием на пути использования MALDI-TOF для выявления резистентных микробов в клинике до сих пор было отсутствие комплексного каталога маркеров резистентности с указанием их масс.

Авторы новой работы собрали такой каталог и назвали его DRIAMS — Database of Resistance Information on Antimicrobials and MALDI-TOF Mass Spectra. Базу DRIAMS составляли с 2016 по 2018 год. Она содержит масс-спектры более чем 300 000 клинических изолятов, полученных из четырех диагностических лабораторий Швейцарии. База состоит из четырех разделов, которым присвоены буквы A–D, и размещена в сети в свободном доступе. Основная часть новой работы выполнена с использованием данных самого большого раздела DRIAMS-A.

На основе данных из DRIAMS ученые разработали алгоритм машинного обучения, который довольно точно определяет устойчивость к антибиотикам для трех бактериальных патогенов: Staphylococcus aureus, Escherichia coli и Klebsiella pneumoniae. Эффективнее всего алгоритм предсказывал устойчивость S. aureus к оксациллину (точность 80%), а также устойчивость E. coli и K. pneumoniae к цефтриаксону (точность 74%).

Авторы применили несколько подходов для улучшения работы алгоритма. Например, они показали, что обучение на наборах, содержащих образцы одного вида, более эффективно, чем обучение на смешанных наборах, так как один микробный вид может иметь множество механизмов антибиотикорезистентности. Кроме того, масс-спектрометрические профили одних и тех же микроорганизмов изменяются со временем из-за постоянной эволюции, а потому алгоритм лучше обучать на недавно собранных образцах.

Наконец, ученые оценили работу алгоритма на ретроспективной когорте из 416 случаев инвазивной инфекции, вызванных E. coli, K. pneumoniae или S. aureus — ученые работали с их изолятами. В 63 случаях врачи назначали лечение после того, как был определен вид патогена, но до того, как были получены данные о его чувствительности к антибиотикам. Для каждого случая ученые проанализировали рекомендации по лечению и с помощью алгоритма проверили, повысилась бы эффективность терапии при выборе другого антибиотика.

В 54 из 63 случаев применение алгоритма не изменило бы ход лечения. В оставшихся девяти алгоритм дал бы врачу основания для использования иной схемы: в семи случаях это была бы деэскалация; в одном случае следовало бы сменить препарат и продолжить лечение (реальные рекомендации предполагали эскалацию до антибиотика более широкого спектра); в последнем случае алгоритм дал бы ложную информацию, что привело бы к ненужной эскалации. Таким образом, в восьми из девяти случаев применение алгоритма привело бы к смене терапии на более выгодную для пациента.

По итогам работы авторы делают вывод, что масс-спектрометрия MALDI-TOF и машинное обучение могут открыть новые пути к предсказанию антибиотикорезистентности в клинике.

Источник

Weis, C., et al. Direct antimicrobial resistance prediction from clinical MALDI-TOF mass spectra using machine learning. // Nature Medicine (2022); DOI: 10.1038/s41591-021-01619-9

Добавить в избранное

Вам будет интересно