Los ingenieros biomédicos de la Universidad de Duke han demostrado que diferentes cepas del mismo patógeno bacteriano se pueden distinguir mediante un análisis de aprendizaje automático de su dinámica de crecimiento solo, que también puede predecir con precisión otros rasgos como la resistencia a los antibióticos. La demostración podría apuntar amétodos para identificar enfermedades y predecir sus comportamientos que son más rápidos, más simples, menos costosos y más precisos que las técnicas estándar actuales.
Los resultados aparecen en línea el 3 de agosto en el Actas de la Academia Nacional de Ciencias .
Durante la mayor parte de la historia de la microbiología, la identificación de bacterias se ha basado en cultivos en crecimiento y en el análisis de los rasgos y comportamientos físicos de la colonia bacteriana resultante. No fue hasta hace poco que los científicos simplemente pudieron realizar una prueba genética.
Sin embargo, la secuenciación genética no está disponible universalmente y, a menudo, puede llevar mucho tiempo. E incluso con la capacidad de secuenciar genomas completos, puede ser difícil vincular variaciones genéticas específicas a diferentes comportamientos en el mundo real.
Por ejemplo, a pesar de que los investigadores conocen las mutaciones genéticas que ayudan a proteger / proteger a las bacterias de los antibióticos betalactámicos, el antibiótico más utilizado en el mundo, a veces el ADN no es toda la historia. Si bien es una sola bacteria resistentepor lo general, no puede sobrevivir a una dosis de antibióticos por sí sola, a menudo grandes poblaciones pueden
Lingchong You, profesor de ingeniería biomédica en Duke, y su estudiante graduada, Carolyn Zhang, se preguntaban si un nuevo giro en los métodos más antiguos podría funcionar mejor. Tal vez podrían amplificar una característica física específica y usarla para no solo identificar el patógeno,pero hacer una conjetura sobre otros rasgos como la resistencia a los antibióticos.
"Pensamos que la ligera variación en los genes entre las cepas de bacterias podría tener un efecto sutil en su metabolismo", dijo. "Pero debido a que el crecimiento bacteriano es exponencial, ese efecto sutil podría amplificarse lo suficiente como para que podamos aprovecharlopara mí, esa noción es algo intuitiva, pero me sorprendió lo bien que funcionó ".
La rapidez con la que crece un cultivo bacteriano en un laboratorio depende de la riqueza de los medios en los que está creciendo y de su entorno químico. Pero a medida que la población crece, el cultivo consume nutrientes y produce subproductos químicos. Incluso si las diferentes cepas comienzan con el exactomismas condiciones ambientales, diferencias sutiles en cómo crecen e influyen en su entorno se acumulan con el tiempo.
En el estudio, usted y Zhang tomaron más de 200 cepas de patógenos bacterianos, la mayoría de los cuales eran variaciones de E. coli, los colocaron en entornos de crecimiento idénticos y midieron cuidadosamente su densidad de población a medida que aumentaba. Debido a su ligera genéticadiferencias, los cultivos crecieron en forma y comienzo, cada uno con un patrón de fluctuación temporal único. Luego, los investigadores introdujeron los datos de dinámica de crecimiento en un programa de aprendizaje automático, que aprendió a identificar y unir los perfiles de crecimiento a las diferentes cepas.
Para su sorpresa, funcionó muy bien.
"Utilizando datos de crecimiento de solo una condición inicial, el modelo pudo identificar una cepa particular con más del 92 por ciento de precisión", dijo. "Y cuando usamos cuatro entornos de inicio diferentes en lugar de uno, esa precisión aumentó a aproximadamente98 por ciento "
Llevando esta idea un paso más allá, usted y Zhang luego miraron para ver si podían usar perfiles dinámicos de crecimiento para predecir otro fenotipo: resistencia a los antibióticos.
Los investigadores volvieron a cargar un programa de aprendizaje automático con los perfiles dinámicos de crecimiento de todas las cepas, excepto una, junto con datos sobre su resistencia a cuatro antibióticos diferentes. Luego probaron para ver si el modelo resultante podía predecir la cepa finalResistencias antibióticas de su perfil de crecimiento. Para aumentar su conjunto de datos, repitieron este proceso para todas las demás cepas.
Los resultados mostraron que el perfil dinámico de crecimiento solo podría predecir con éxito la resistencia de una cepa a los antibióticos del 60 al 75 por ciento de las veces.
"Esto en realidad está a la par o mejor que algunas de las técnicas actuales en la literatura, incluidas muchas que usan datos de secuenciación genética", dijo You. "Y esto fue solo una prueba de principio. Creemos que con datos de mayor resoluciónde la dinámica de crecimiento, podríamos hacer un trabajo aún mejor a largo plazo "
Los investigadores también observaron para ver si las cepas que exhibían curvas de crecimiento similares también tenían perfiles genéticos similares. Como resultado, las dos están completamente sin correlacionar, lo que demuestra una vez más lo difícil que puede ser mapear los rasgos y comportamientos celulares en tramos específicos deADN.
Avanzando, planea optimizar el procedimiento de la curva de crecimiento para reducir el tiempo que lleva identificar una cepa de 2 a 3 días a quizás 12 horas. También está planeando usar cámaras de alta definición para ver si mapean cómo crecen las colonias bacterianasen el espacio en una placa de Petri puede ayudar a que el proceso sea aún más preciso.
Fuente de la historia :
Materiales proporcionado por Universidad de Duke . Original escrito por Ken Kingery. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :