AI przewiduje rozwój oporności bakterii na antybiotyki z dużą dokładnością

Model sztucznej inteligencji, wytrenowany na ogromnych zbiorach danych genetycznych, potrafi przewidzieć, czy bakterie staną się oporne na antybiotyki. Nowe badanie wykazało, że oporność antybiotykowa najłatwiej przenosi się pomiędzy genetycznie podobnymi bakteriami i najczęściej zachodzi w oczyszczalniach ścieków oraz wewnątrz ludzkiego organizmu.

– Zrozumienie, w jaki sposób rozwija się oporność u bakterii, pozwoli lepiej przeciwdziałać jej rozprzestrzenianiu się. To kluczowe dla ochrony zdrowia publicznego i zachowania możliwości leczenia infekcji – mówi prof. Erik Kristiansson z Wydziału Nauk Matematycznych Uniwersytetu Technologicznego Chalmersa i Uniwersytetu w Göteborgu w Szwecji.

Światowa Organizacja Zdrowia (WHO) uznaje oporność na antybiotyki za jedno z największych zagrożeń dla zdrowia publicznego na świecie. Gdy bakterie stają się oporne, antybiotyki przestają działać, co sprawia, że leczenie takich chorób jak zapalenie płuc czy posocznica staje się trudne lub niemożliwe. Zwiększenie liczby bakterii opornych na leczenie utrudnia także zapobieganie infekcjom związanym z wieloma procedurami medycznymi, takimi jak przeszczepy narządów czy terapie onkologiczne. Podstawową przyczyną szybkiego rozprzestrzeniania się oporności jest zdolność bakterii do wymiany genów, w tym tych odpowiedzialnych za oporność.

– Patogenne bakterie gromadzą wiele genów oporności. Wiele z tych genów pochodzi od nieszkodliwych bakterii zamieszkujących nasze ciała lub środowisko. Nasze badanie dotyczy tego złożonego procesu ewolucyjnego i pozwala lepiej zrozumieć, jak te geny trafiają do patogenów. Dzięki temu możemy przewidywać, jak w przyszłości bakterie będą rozwijać oporność – tłumaczy Erik Kristiansson.

Złożone dane z całego świata

W badaniu opublikowanym w czasopiśmie Nature Communications, prowadzonym przez naukowców z Uniwersytetu Technologicznego Chalmersa, Uniwersytetu w Göteborgu oraz Centrum Fraunhofer-Chalmers, opracowano model AI analizujący historyczne przypadki transferu genów oporności, uwzględniając dane o DNA bakterii, ich strukturze i środowisku życia. Model został wytrenowany na genomach niemal miliona bakterii – zbiorze danych opracowanym przez międzynarodowe zespoły badawcze na przestrzeni lat.

– AI może być wykorzystywana najbardziej efektywnie w kontekstach o wysokiej złożoności i przy ogromnych ilościach danych – mówi doktorant David Lund z Wydziału Nauk Matematycznych Chalmersa i Uniwersytetu w Göteborgu. – Unikalność naszego badania polega m.in. na olbrzymim zakresie danych, który pokazuje, jak potężnym narzędziem może być uczenie maszynowe w opisie złożonych procesów biologicznych, które utrudniają leczenie infekcji bakteryjnych.

Nowe wnioski o warunkach powstawania oporności

Badanie pozwoliło określić, w jakich środowiskach dochodziło do transferu genów oporności pomiędzy bakteriami, oraz co sprawia, że niektóre szczepy łatwiej niż inne wymieniają się genami.

– Widzimy, że bakterie występujące u ludzi i w oczyszczalniach ścieków mają wyższe prawdopodobieństwo uzyskania oporności drogą transferu genów. To środowiska, w których bakterie oporne często się spotykają, zwykle w obecności antybiotyków – mówi David Lund.

Istotnym czynnikiem zwiększającym prawdopodobieństwo, że gen oporności “przeskoczy” do innej bakterii, jest podobieństwo genetyczne obu organizmów. Nowy gen wymaga nakładów energetycznych na jego utrzymanie i ekspresję, co jest kosztowne dla komórki.

– Większość genów oporności jest przekazywana między genetycznie podobnymi bakteriami. Sądzimy, że podobieństwo to obniża koszty przyswajania nowych genów. Obecnie kontynuujemy badania, by dokładnie zrozumieć mechanizmy regulujące ten proces – dodaje Erik Kristiansson.

W stronę modelu diagnostycznego

Skuteczność modelu została przetestowana na bakteriach, w których naukowcy wiedzieli, że doszło do transferu genów oporności, lecz model AI nie miał tej informacji. Był to swoisty „egzamin” – tylko naukowcy znali prawidłowe odpowiedzi. W czterech przypadkach na pięć model poprawnie przewidział transfer genów. Kristiansson podkreśla, że przyszłe modele mogą być jeszcze dokładniejsze dzięki udoskonaleniu algorytmu i trenowaniu go na jeszcze większych zbiorach danych.

– Sztuczna inteligencja i uczenie maszynowe pozwalają efektywnie analizować i interpretować ogromne ilości danych. Dzięki temu możemy nie tylko odpowiadać na złożone pytania, z którymi mierzyliśmy się od lat, ale też stawiać zupełnie nowe – wyjaśnia Erik Kristiansson.

Naukowcy mają nadzieję, że w przyszłości model AI zostanie wdrożony do systemów umożliwiających szybką identyfikację ryzyka przeniesienia nowego genu oporności do bakterii chorobotwórczych i przekształcenie tej wiedzy w konkretne działania.

– Przykładowo, modele AI mogłyby wspomagać diagnostykę molekularną w wykrywaniu nowych form wielolekooporności lub służyć do monitoringu oczyszczalni ścieków

Źródło: Nature Communications
DOI: 10.1038/s41467-025-57825-3