Nowe narzędzie AI pomaga identyfikować kluczowe bakterie i metabolity w chorobach przewlekłych

Bakterie jelitowe odgrywają kluczową rolę w wielu aspektach zdrowia człowieka. Jednak ich liczba i różnorodność, a także złożone interakcje zarówno między sobą, jak i z chemią organizmu, utrudniają ich dokładne poznanie. Po raz pierwszy naukowcy z Uniwersytetu Tokijskiego wykorzystali specjalny rodzaj sztucznej inteligencji – bayesowską sieć neuronową – do analizy zbioru danych dotyczących mikrobiomu jelitowego. Celem było odkrycie związków, których tradycyjne metody analityczne nie były w stanie wiarygodnie wykryć.

Ciało człowieka składa się z około 30–40 bilionów komórek, jednak w jelitach żyje nawet 100 bilionów bakterii. Oznacza to, że technicznie rzecz biorąc, nosimy w sobie więcej komórek obcych niż własnych. Co więcej, bakterie te nie tylko uczestniczą w procesie trawienia, ale wpływają także na układ odpornościowy, metabolizm, funkcje mózgu, a nawet nastrój. Wszystko to za sprawą metabolitów – substancji chemicznych, które bakterie produkują i modyfikują, a które działają jak molekularni posłańcy w całym organizmie.

– Problem polega na tym, że dopiero zaczynamy rozumieć, które bakterie produkują jakie metabolity i jak te zależności zmieniają się w kontekście różnych chorób – wyjaśnia dr Tung Dang z laboratorium Tsunoda na Wydziale Nauk Biologicznych Uniwersytetu Tokijskiego. – Jeśli uda się precyzyjnie odwzorować te relacje bakteria-metabolit, będzie możliwe opracowanie spersonalizowanych terapii. Wyobraźmy sobie możliwość hodowania konkretnego szczepu bakterii w celu produkcji korzystnych metabolitów lub projektowania terapii modyfikujących te substancje w leczeniu chorób.

Brzmi obiecująco – w czym więc trudność? Ilość i różnorodność bakterii oraz metabolitów jest przytłaczająca, co sprawia, że ich wzajemne relacje stanowią ogromną, złożoną sieć zależności. Samo zebranie danych to duże wyzwanie, a jeszcze większym jest ich analiza pod kątem wzorców, które mogą mieć znaczenie biologiczne. Zespół dr. Danga postanowił zatem wykorzystać najnowocześniejsze narzędzia sztucznej inteligencji.

– Nasz system VBayesMM automatycznie identyfikuje kluczowych „graczy” wpływających na poziomy metabolitów spośród tła mniej istotnych drobnoustrojów. Jednocześnie uwzględnia niepewność prognoz, zamiast generować przesadnie pewne, ale potencjalnie błędne odpowiedzi – mówi Dang. – W testach na rzeczywistych danych pochodzących z badań nad zaburzeniami snu, otyłością i nowotworami, nasze podejście przewyższało istniejące metody i wykrywało konkretne rodziny bakterii zgodne z poznanymi procesami biologicznymi, co potwierdza, że odkrywa rzeczywiste zależności, a nie przypadkowe korelacje.

Ponieważ VBayesMM potrafi analizować i komunikować poziom niepewności, daje badaczom większą pewność niż narzędzia, które tego nie uwzględniają. Choć system został zoptymalizowany pod kątem dużych obciążeń analitycznych, analiza tak ogromnych zbiorów danych nadal wymaga znacznych zasobów obliczeniowych – jednak z czasem ten problem będzie coraz mniej istotny. Inne obecne ograniczenia to m.in. większa efektywność analizy danych bakteryjnych niż metabolitowych – przy zbyt małej ilości danych mikrobiologicznych spada dokładność prognoz. Ponadto VBayesMM zakłada niezależność działania poszczególnych bakterii, co nie odzwierciedla rzeczywistości – bakterie jelitowe wchodzą w złożone interakcje.

– Planujemy pracować z bardziej kompleksowymi zestawami danych chemicznych, obejmującymi pełne spektrum produktów bakteryjnych, choć stwarza to nowe wyzwania – np. jak odróżnić metabolity pochodzenia bakteryjnego od tych produkowanych przez ludzki organizm lub pochodzących z diety – wyjaśnia Dang. – Chcemy też zwiększyć odporność VBayesMM na zmienność wśród populacji pacjentów, wykorzystując powiązania ewolucyjne bakterii (ich „drzewo genealogiczne”), a także skrócić czas analizy. Naszym celem klinicznym jest identyfikacja konkretnych celów bakteryjnych, które mogłyby posłużyć do opracowania terapii lub interwencji dietetycznych realnie wspomagających leczenie.

Źródło: The University of Tokyo, Briefings in Bioinformatics

DOI: 10.1093/bib/bbaf300