Escherichia coli (E. coli) — распространённая бактерия, обитающая в кишечнике животных и человека. Её часто используют для выявления фекальных загрязнений в окружающей среде. Кроме того, E. coli может легко выработать устойчивость к антибиотикам, что делает её идеальным организмом для тестирования антимикробной устойчивости, особенно в определённых сельскохозяйственных условиях, где фекальные материалы используются в качестве удобрений или повторно применяется сточная вода.
Традиционные методы анализа антимикробной устойчивости
Традиционные лабораторные методы анализа антимикробной устойчивости часто требуют много времени и усилий, что делает их непрактичными для крупномасштабного мониторинга. Поэтому исследователи изучают более быстрые подходы, используя полногеномное секвенирование (WGS) и предиктивное моделирование.
Исследование устойчивости E. coli с помощью ИИ
Марко Кристофер Лопес и доктор Пьеранджели Витал из Научно-исследовательского института естественных наук Колледжа наук Университета Филиппин — Дилиман (UPD-CS NSRI) вместе с доктором Джозефом Райаном Лансанганом из Школы статистики UPD проверили различные модели искусственного интеллекта (ИИ) для определения антимикробной устойчивости E. coli. Для этого использовались генетические данные и результаты лабораторных тестов из базы данных Национального центра биотехнологической информации (NCBI).
«Мы выбрали модели на основе их сильных сторон в обработке биологических и несбалансированных данных», — объяснила доктор Витал. «Эти модели были выбраны для сравнения производительности различных стратегий обучения и определения наиболее подходящей для прогнозирования устойчивости к антибиотикам».
Исследование опубликовано в Malaysian Journal of Microbiology.
Модели ИИ
Использованные модели ИИ:
* Random Forest (RF) — хорошо подходит для работы с многомерными данными;
* Support Vector Machine (SVM) — отлично справляется с задачами классификации, особенно при работе со сложными границами принятия решений;
* Adaptive Boosting (AB) и Extreme Gradient Boosting (XGB) — методы ансамблирования, которые повышают точность за счёт фокусировки на трудно классифицируемых образцах.
Эти модели ИИ наиболее точно предсказали устойчивость к стрептомицину и тетрациклину, показав высокую точность и надёжное различение устойчивых штаммов от восприимчивых.
С другой стороны, ципрофлоксацин было сложнее всего предсказать из-за ограниченного количества устойчивых образцов в данных (всего 4%), что затрудняло выявление устойчивости и снижало чувствительность. Среди моделей AB и XGB стабильно показывали хорошие результаты даже при тестировании на несбалансированных данных об антимикробной устойчивости.
«Мы считаем, что эта стратегия имеет большой потенциал для мониторинга антимикробной устойчивости в реальном времени, особенно в сельском хозяйстве», — сказала доктор Витал, подчеркнув потенциальное использование моделей ИИ в этом секторе. «Поскольку секвенирование ДНК становится быстрее и дешевле, такие модели прогнозирования, как наша, могут выявлять устойчивые бактерии на ранней стадии — до того, как они приведут к вспышкам заболеваний. Это может облегчить принятие более взвешенных решений в области безопасности пищевых продуктов, сельского хозяйства и программ общественного здравоохранения».
Рекомендации исследователей
Исследователи рекомендуют включать более разнообразные типы образцов и источники данных, такие как метагеномные данные (ДНК всех микробов в образце), чтобы лучше понимать и прогнозировать развитие устойчивости у бактерий.
Доктор Витал также подчеркнула ценность сотрудничества между различными областями — например, между микробиологами и статистиками. «Более того, интеграция (микро)биологических концепций со статистикой и предиктивным моделированием может привести к значимым результатам для сообщества, в данном случае — для обеспечения безопасности сельскохозяйственных продуктов питания», — сказала она.
Предоставлено Университетом Филиппин — Дилиман.