Антибактериальная устойчивость или другими словами, резистентность - это способность различных микроскопических органихмов, таких как бактерии, вирусы, грибы и некоторые паразиты, противостоять разрушению под действием определенных веществ, таких как антибиотики, противогрибковые средства и противовирусные препараты.
Согласно прогнозам, Антибиотикорезистентность представляет собой глобальную угрозу общественному здравоохранению, которая будет возрастать с каждым годом. Согласно прогнозам доклада Wellcome Trust и правительства Великобритании, к 2050 году в мире ежегодно будет умирать более 10 миллионов человек из-за устойчивости к противомикробным препаратам. Только в отношении устойчивости к антибиотикам, каждый год, более двух миллионов человек в США страдают, и 23,000 умирают, согласно данным американских Центров по контролю и профилактике заболеваний.
Исследователи из Университета штата Вашингтон объединили теорию игр с искусственным интеллектом (ИИ) для создания инструмента, который может идентифицировать гены, устойчивые к антибиотикам у бактерий, и опубликовали результаты своего исследования в Научных отчетах 9 октября 2019 года.
Наличие способа определения устойчивости бактерий к противомикробным препаратам имеет решающее значение для определения того, какие антибактериальные препараты следует использовать при инфекциях. Одним из методов является культивирование бактерий в лабораторной посуде и наблюдение за воздействием различных лекарственных препаратов в различных дозах на рост бактерий. Это медленный процесс, который может занять много месяцев. Во многих случаях бактерии не могут быть выращены в лабораторных условиях. Для этого может быть использован метагеномный анализ. Метагеномика - это анализ ДНК микробов в пробах окружающей среды без необходимости культивирования in vitro(в пробирках).
В последние годы рост общего геномического секвенирования позволил исследователям обнаружить устойчивые к антибиотикам гены, проведя поиск в базе данных аналогичных известных последовательностей устойчивости к антибактериальным препаратам. Проблема этого метода заключается в исследовании генов устойчивости с последовательностями, которые не похожи на известные последовательности устойчивости к противомикробным препаратам, что может привести к ложноположительным результатам.
Для устранения этой проблемы ученые применили машинное обучение по искусственному осеменению для выявления потенциальных генов, которые, как считается, являются устойчивыми к противомикробным препаратам. В феврале 2018 года исследователи Virginia Tech анонсировали DeepARG, модель глубокого изучения с классификатором искусственных нейросетей, которая может с высокой точностью предсказывать устойчивые к антибиотикам гены на основе метагеномных данных и запоминать их.
Позднее, в октябре 2018 года, исследователи опубликовали исследование, которое продемонстрировало алгоритм машинного обучения, позволяющий точно прогнозировать 33 известных гена устойчивости к антибиотикам и 24 новых генетических признака устойчивости к противомикробным препаратам, используя геномические последовательности и фенотипы более 1500 штаммов туберкулезных бактерий(Палочки Коха).
Месяцем позже, в ноябре 2018 года, группа французских исследователей и их коллег опубликовали в журнале Nature Microbiology еще один подход к машинному обучению идентификации генов устойчивости к противомикробным препаратам с использованием трехмерной информации о структуре белков, называемой парным сравнительным моделированием (PCM). В PCM построены две структурные модели для каждой последовательности кандидатов для последовательностей AMR и не-AMR, затем для определения оптимальной структурной модели последовательности используется машинное обучение. Из каталога 3,9 млн. белков французские исследователи прогнозировали более 6 000 детерминантов устойчивости к антибиотикам на основе подхода PCM.
По мнению исследователей из Университета штата Вашингтон, отличительной чертой недавно опубликованного исследования является то, что они применили стратегию уменьшения характеристик с помощью машинного обучения. "Выявление важных характеристик из набора характеристик для достижения высокой точности классификации является сложной задачей в машинном обучении, поскольку неактуальные или избыточные характеристики могут поставить под угрозу точность", - пишут исследователи в исследовании.
В своей модели они учитывали многие возможные характеристики последовательностей белков-кандидатов, основанные на их характеристиках, включая физико-химические, структурные и эволюционные характеристики. Сделав еще один шаг вперед, исследователи включили актуальность и взаимозависимость характеристик в прогнозирование устойчивости к противомикробным препаратам.
Для достижения этой цели исследователи Университета штата Вашингтон применили теорию игр к своему инструменту. Теория игр - это раздел математики, используемый для анализа ситуаций, в которых принимаемые игроками решения являются взаимозависимыми. Представленная в 1944 году математиком Принстонского университета Джоном фон Нойманом и экономистом Оскаром Моргенштерном, теория игр используется в психологии, поведенческих науках, экономике, бизнесе, социальных науках, политологии, информатике и других областях.
Применение теории игр и машинного обучения для исследования сложных биологических систем является разумным способом привнести больше специфики, так как учитывает взаимозависимость признаков. В отличие от других моделей, то, что одна переменная плохо предсказуема, не обязательно автоматически устраняет ее полностью в качестве кандидата. В этом новом типе модели, взаимодействия функций как единое целое анализируются путем развертывания теории игр для машинного обучения.