Исследователи из Университета штата Вашингтон разработали простую в использовании программу для идентификации генов лекарственной устойчивости бактерий.
Эта программа могла бы облегчить идентификацию смертоносных устойчивых к противомикробным препаратам бактерий, существующих в окружающей среде. Подобные микробы ежегодно вызывают более 2,8 миллиона трудноизлечимых пневмоний, кровотечений и других инфекций, приводящих к 35 000 смертей в США. Об этом исследователи, в том числе аспирант PhD computer science Абу Сайед Чоудхури, Шира Брошат из Школы Электротехники и Наук и Дуглас колл из Школы Пола Дж. Аллена Глобального здоровья животных, сообщают в своей работе в журнале Scientific Reports.
Устойчивость к противомикробным препаратам (АМР) возникает, когда бактерии или другие микроорганизмы эволюционируют или приобретают гены, кодирующие механизмы лекарственной устойчивости. Бактерии, вызывающие стафилококковые или стрептококковые инфекции или такие заболевания, как туберкулез и пневмония, развили лекарственно-устойчивые штаммы, которые делают их все более трудно поддающимися, а иногда и невозможными для лечения. Ожидается, что в последующие десятилетия эта проблема будет усугубляться ростом числа инфекций, смертей и расходов на здравоохранение, поскольку бактерии эволюционируют, чтобы «перехитрить» ограниченное число методов лечения антибиотиками.
«Нам необходимо разработать инструменты для легкого и эффективного прогнозирования устойчивости к противомикробным препаратам, которая все больше угрожает здоровью и средствам к существованию во всем мире», - сказал Чоудхури, ведущий автор статьи.
Поскольку масштабное генетическое секвенирование стало проще, исследователи ищут гены AMR в окружающей среде. Исследователи интересуются, где живут микробы в почве и воде и как они могут распространяться и влиять на здоровье человека. Хотя они способны идентифицировать гены, сходные с известными генами устойчивости к АМР, они, вероятно, не имеют генов устойчивости, которые выглядят уникальными с точки зрения последовательности белков.
Исследовательская группа WSU разработала алгоритм машинного обучения, который использует особенности белков AMR, а не сходство последовательностей генов для идентификации генов AMR. Исследователи использовали теорию игр, инструмент, который используется в нескольких областях, особенно в экономике, для моделирования стратегических взаимодействий между игроками, что, в свою очередь, помогает идентифицировать гены AMR. Используя свой алгоритм машинного обучения и подход теории игр, исследователи рассматривали взаимодействие нескольких особенностей генетического материала, включая его структуру и физико-химические и композиционные свойства белковых последовательностей, а не просто сходство последовательностей.
«Наше программное обеспечение может быть использовано для анализа метагеномных данных с большей глубиной, чем это было бы достигнуто с помощью простых алгоритмов подбора последовательностей», - сказал Чоудхури. «Это может быть важным инструментом для выявления новых генов устойчивости к противомикробным препаратам, которые в конечном итоге могут стать клинически важными».
«Достоинство этой программы заключается в том, что мы действительно можем обнаружить AMR в новых секвенированных геномах, — сказал Брошат. — Это способ идентификации генов AMR и их распространенности, которые иначе не были бы обнаружены. Это действительно важно».
Команда WSU рассмотрела гены резистентности, обнаруженные у видов Clostridium, Enterococcus, Staphylococcus, Streptococcus и Listeria. Эти бактерии являются причиной многих серьезных инфекций и инфекционных заболеваний, включая стафилококковые инфекции, пищевые отравления, пневмонию и опасный для жизни колит из-за C. difficile. Они смогли точно классифицировать устойчивые гены с точностью до 90 процентов.
Они разработали программный пакет, который может быть легко загружен и использован другими исследователями для поиска AMR в больших пулах генетического материала. Программное обеспечение также может быть улучшено с течением времени. В то время как он обучается на имеющихся в настоящее время данных, исследователи смогут повторно обучить алгоритм по мере поступления большего количества данных и последовательностей.
«Вы можете загрузиться и улучшить программное обеспечение по мере поступления более позитивных данных», — сказал Брошат.
Работа частично финансировалась Фондом Карла М. Хансена.
По материалам Вашингтонского государственного университета.
