机器学习识别tuberculosis-causing细菌的抗生素抗性基因

加利福尼亚圣地亚哥大学的研究人员已经开发出一种方法,使用机器学习识别和预测哪些基因使传染性细菌对抗生素耐药。测试的方法对肺结核分枝杆菌菌株细菌导致人类肺结核(TB)。它发现了33个已知和24这些细菌的新抗生素抗性基因。

研究人员说,这种方法可用于其他病原体的藏污纳垢之所,包括葡萄球菌和细菌,引起尿路感染,肺炎和脑膜炎。最近发表在《自然通讯工作。

“知道哪些基因赋予抗生素耐药性可能改变传染病的治疗方式在未来,”文章的第二作者乔纳森和尚说,科学家在加州大学圣地亚哥分校生物工程学系。“例如,如果有一个持续感染结核病的诊所,医生可以序列,应变,看它的基因和找出哪些抗生素抵抗,哪些是容易,然后开出正确的抗生素压力。”

“这可能打开个性化治疗你的病原体的机会。每一株都是不同的,可能应该区别对待,”文章的第二作者困扰Bernhard Palsson说Galletti加州大学圣地亚哥分校生物工程教授雅各布斯工程学院。”通过这台机器学习的分析pan-genome-the成套所有基因的细菌物种可以更好地理解属性,使这些菌株不同。”

团队训练的一种机器学习算法利用基因组序列和phenotypes-the身体特征或特征,可以观察到,如抗生素抗性超过1500株结核分枝杆菌。从这些输入,算法预测的一组基因,这些基因变体形式的,称为等位基因,导致抗生素耐药性。33是验证与已知的抗生素抗性基因,其余24新预测尚未实验测试。

研究人员进一步分析了算法的预测和识别组合的等位基因相互作用,导致抗生素耐药菌株。他们也映射这些等位基因在结核分枝杆菌蛋白质的晶体结构(发表在《蛋白质数据银行)。他们发现,这些等位基因出现在某些蛋白质的结构区域。

“我们的确交互性和结构分析进行深挖,为这些基因是如何开发更复杂的假设导致抗生素耐药性表型,”第一作者说Erol Kavvas,困扰生物工程博士生在Palsson的研究小组。“这些发现可以帮助未来的实验调查结构分组是否这些等位基因发挥作用的抗生素耐药性的商量。”

这项研究的结果都是计算的,所以团队正在研究与实验工作人员来测试是否24新基因预测的算法确实给予抗生素耐药性结核分枝杆菌。

未来的研究将涉及团队的机器学习方法应用到的主要传染性细菌,被称为ESKAPE病原体:肠球菌都有效,金黄色葡萄球菌,肺炎克雷伯菌、鲍曼不动杆菌、铜绿假单胞菌和肠杆菌属的物种。下一步,公司团队整合模型的代谢网络和他们的机器学习方法来理解机制的进化的抗生素耐药性。