Deep learning para estudar a resistencia das bacterias aos antibióticos na Estación Espacial Internacional
Dous profesores da UNED e outro da NASA Ames Research Center codirixiron o Traballo de Fin do Mestrado en Investigación en Intelixencia Artificial do doutor Pedro Madrigal, que traballa na Universidadede Cambridge.
OURENSE, 13 de outubro de 2022. A resistencia bacteriana aos antibióticos é un problema mundial de saúde pública que preocupa tamén nas misións ao espazo exterior. Cara o incremento de misións espaciais é fundamental garantir a saúde dos astronautas. Ao mesmo tempo, os experimentos no espazo rexistraron un aumento tanto no dano que causan os microorganismos como na súa resistencia aos antibióticos, que en combinación cunha resposta inmunitaria deprimida ou alterada dos astronautas fai que exista un maior risco de infección microbiana nas misións espaciais.
A Estación Espacial Internacional conta co seu propio microbioma ambiental moldeado pola microgravedade a radiación e as poucas persoas que acceden á estación procedentes das viaxes espaciais. Os voos espaciais benefician o desenvolvemento de resistencia antimicrobiana e favorecen a formación de biopelícula, que é un ecosistema microbiano organizado e conformado por unha ou varias especies de microorganismos asociados a unha superficie con características funcionais e estruturas complexas. Estas particularidades engadidasas a que os voos espaciais a longo prazo rexistraron maior frecuencia nas mutacións das bacterias, fan en conxunto que as infeccións bacterianas sexan máis difíciles de tratar no espazo.
Para entender como afectan a diversidade microbiana e o seu dano aos voos espaciais, así como axudar aos investigadores e astronautas a abordar o risco de infección e resistencia a antibióticos, os investigadores usaron algoritmos de aprendizaxe automática, que é a rama da intelixencia artificial dedicada a automatizar parte do método científico, no cal as computadoras observan datos para construír un modelo baseado neles e utilizar á vez este modelo como unha hipótese para validar, que achegue solución a problemas complexos. Este estudo realizouse no marco do mestrado en Investigación en Intelixencia Artificial, que constitúe o traballo fin de mestrado en Investigación en Intelixencia Artificial de Pedro Madrigal. Pedro é doutor en bioinformática pola Universidade de Adam Mickiewicz en Poznan, Polonia e traballa actualmente na universidade de Cambridge. Os profesores do departamento de Intelixencia Artificial da UNED, Elena Gaudioso e Félix Hernández del Olmo, xunto con Afshin Beheshti (investigador en NASA Ames Research Center), encargáronse da dirección deste traballo, supervisando a formulación dos algoritmos de Deep learning (un tipo de particular de Machine Learning) que se usaron, a súa aplicación aos datos proporcionados polas institucións integrantes do proxecto e a validación dos resultados obtidos.
O obxectivo neste proxecto era analizar secuencias de datos provenientes do seguimento microbiano xerado durante o proxecto Microbial Tracking-1 (MT-1), con mostras de microbios provenientes de oito localizacións da Estación Espacial Internacional durante tres dos seus voos con vistas a predicir os xenes de resistencia aos antibióticos a partir destes datos. En total, consideráronse as seguintes mostras: 226 cepas puras (microbios cultivables), secuencias de metagenoma de 21 mostras ambientais e 24 xenomas ensamblados en metagenoma, recuperadas de mostras tratadas con monoazida de propidio ou PMA. As técnicas de secuenciación actuais permiten o acceso directo e a creación de perfís do grupo total de ADN metagenómico, onde os xenes responsables da resistencia aos antibióticos (coñecidos como ARG) xeralmente identifícanse ou predín en función dos "mellores resultados" das procuras de secuencias nas bases de datos existentes. Desafortunadamente, este enfoque produce unha alta taxa de falsos negativos (xenes identificados como non resistentes que si o son). Para abordar as limitacións desta orientación, utilizouse un enfoque de aprendizaxe profunda supervisada (Deep learning), en concreto DeepARG proposto por Arango-Argoty et al. por primeira vez na revista Microbiome en 2018. Utilizáronse en concreto, os modelos de aprendizaxe profunda DeepARG-SS e DeepARG-LS, para secuencias de lectura curta e secuencias de lonxitude completa do xene, respectivamente e que demostraron unha alta sensibilidade para a detección de xenes de resistencia aos antibióticos. Trátase dunha rede neuronal profunda (deep learning) que considera unha matriz de disimilitud entre as diferentes categorías de xenes ARG. Esta matriz de disimilitud representa a diferenza existente entre dous determinados ARGs. A capa de saída da rede neuronal en DeepARG está composta por 30 unidades que se corresponden coas diferentes categorías de resistencia a antibióticos.
Este modelo de aprendizaxe profunda permite ir máis aló dos cortes tradicionais baseados só nunha alta similitude de secuencias de ADN e ampliar o catálogo de xenes resistentes a antibióticos. Os resultados do último voo revelaron o dominio xenes resistentes a antibióticos de Kalamiella piersonii, unha bacteria relacionada coa infección do tracto urinario en humanos. Na análise de 226 cepas puras illadas do proxecto MT-1 detectáronse centos de xenes de resistencia a antibióticos, incluídas dúas especies de alto rango que correspondían a cepas de Enterobacter bugandensis e Bacillus cereus. As predicións computacionales foron validadas experimentalmente por perfís de resistencia a antibióticos nestas dúas especies, mostrando un alto grao de concordancia. Especificamente, os datos do ensaio de disco que confirmaron a alta resistencia destes dous patóxenos a varios antibióticos betalactámicos, que son o grupo de antibióticos máis comúns, usados basicamente para calquera axente antibiótico que conteña un anel β-lactámico na súa estrutura molecular. Esta metodoloxía foi aplicada no espazo, pero sería tamén aplicable ao microbioma na terra, onde se podería predicir tamén os xenes de resistencia aos antibióticos a partir de datos obtidos do microbioma ambiental de diferentes lugares. Sempre que se emprega Deep Learning, é esencial dispoñer de gran cantidade de datos para poder construír bos modelos que dean lugar a predicións precisas. Contar con predicións precisas contribúe a acoutar a cantidade de xenes que van estudar os investigadores, axudando a dimensionar as necesidades das investigacións. Coas técnicas tradicionalmente empregadas en bioinformática adóitanse obter unha alta taxa de falsos negativos, empeorando a especificidade. Con todo, empregando Deep Learning mellorouse a precisión tanto en sensibilidade como en especificidade das predicións.
UNED Ourense
Comunicación
