Les infections résistantes aux médicaments – en particulier à partir de bactéries mortelles comme la tuberculose et le staphylocoque – sont une crise mondiale de santé croissante. Ces infections sont plus difficiles à traiter, nécessitent souvent des médicaments plus chers ou toxiques et sont responsables de séjours à l'hôpital plus longs et de taux de mortalité plus élevés. Rien qu'en 2021, 450 000 personnes ont développé une tuberculose multirésistante, les taux de réussite du traitement, tombant à seulement 57%, selon l'Organisation mondiale de la santé.
Maintenant, les scientifiques de l'Université de Tulane ont développé une nouvelle méthode basée sur l'intelligence artificielle qui détecte plus précisément les marqueurs génétiques de la résistance aux antibiotiques dans Mycobacterium tuberculosis et Staphylococcus aureus – Potentiellement conduisant à des traitements plus rapides et plus efficaces.
Une étude de Tulane, publiée dans Communications de la natureintroduit un nouveau modèle d'association de groupe (GAM) qui utilise l'apprentissage automatique pour identifier les mutations génétiques liées à la résistance aux médicaments. Contrairement aux outils traditionnels, qui peuvent lier par erreur les mutations non liées à la résistance, GAM ne s'appuie pas sur une connaissance préalable des mécanismes de résistance, ce qui le rend plus flexible et capable de trouver des changements génétiques inconnus.
Méthodes actuelles de détection de la résistance utilisée par des organisations telles que les qui prennent trop de temps – comme les tests basés sur la culture – ou manquent des mutations rares, comme avec certains tests basés sur l'ADN. Le modèle de Tulane aborde les deux problèmes en analysant les séquences du génome entier et en comparant des groupes de souches bactériennes avec différents modèles de résistance pour trouver des changements génétiques qui indiquent de manière fiable la résistance à des médicaments spécifiques.
Considérez-le comme en utilisant toute l'empreinte génétique des bactéries pour découvrir ce qui le rend immunisé contre certains antibiotiques. Nous enseignons essentiellement à un ordinateur pour reconnaître les modèles de résistance sans avoir besoin que nous les signalez en premier. «
Tony Hu, PhD, auteur principal, président présidentiel de Weatherhead in Biotechnology Innovation et directeur du Tulane Center for Cellular & Molecular Diagnostics
Dans l'étude, les chercheurs ont appliqué GAM à plus de 7 000 souches de VTT et près de 4 000 souches de S. Aureus, Identification des mutations clés liées à la résistance. Ils ont constaté que GAM correspondait ou dépassait non seulement la précision de la base de données de résistance de l'OMS, mais a également radicalement réduit les faux positifs, identifiés à tort de la résistance qui peuvent conduire à un traitement inapproprié.
« Les tests génétiques actuels pourraient classer à tort les bactéries comme résistantes, affectant les soins aux patients », a déclaré l'auteur principal Julian Saliba, étudiante diplômée du Tulane University Center for Cellular and Molecular Diagnostics. « Notre méthode fournit une image plus claire des mutations provoquent réellement une résistance, réduisant les erreurs de diagnostic et les changements inutiles au traitement. »
Lorsqu'il est combiné avec l'apprentissage automatique, la capacité de prédire la résistance avec des données limitées ou incomplètes s'est améliorée. Dans des études de validation utilisant des échantillons cliniques de Chine, le modèle amélioré à l'apprentissage automatique a surpassé les méthodes basées sur l'OMS pour prédire la résistance aux principaux antibiotiques de première ligne.
Ceci est significatif car la résistance à la capture précoce peut aider les médecins à adapter le bon schéma de traitement avant que l'infection ne se propage ou ne s'aggrave.
La capacité du modèle à détecter la résistance sans avoir besoin de règles définies par des experts signifie également qu'elle pourrait potentiellement être appliquée à d'autres bactéries ou même dans l'agriculture, où la résistance aux antibiotiques est également une préoccupation dans les cultures.
« Il est essentiel que nous restions en avance sur les infections en constante évolution des médicaments », a déclaré Saliba. « Cet outil peut nous aider à le faire. »
