Kunstmatige intelligentie (‘artificial intelligence’, AI) biedt veelbelovende oplossingen voor de wereldwijde antimicrobiële resistentiecrisis door diagnostiek te versnellen, surveillance te verbeteren en antibioticaontdekking te vernieuwen. Een onderzoeksteam van het Massachusetts Institute of Technology (MIT, Cambridge, VS) publiceerde deze bevindingen onlangs in Nature Reviews Microbiology, waarin ze een uitgebreid overzicht geven van recente AI-toepassingen voor het bestrijden van antimicrobiële resistentie.
De antimicrobiële resistentiecrisis vormt een van de grootste bedreigingen voor de volksgezondheid in deze eeuw. In 2019 werden wereldwijd ongeveer 4,95 miljoen sterfgevallen geassocieerd met antimicrobiële resistentie, en dit aantal zal naar verwachting ruim verdubbelen tot 10 miljoen per jaar tegen 2050. De overmatige toepassing en onvolledige gebruik van antibiotica in de medische zorg maar ook in de veeteelt hebben bacteriën gecreëerd die mechanismen hebben ontwikkeld om deze middelen te omzeilen.
Machine learning (ML) en deep learning (DL), subsets van kunstmatige intelligentie, blinken uit in het verwerken van grote hoeveelheden gegevens. Deze methoden maken gebruik van statistische algoritmen om complexe relaties binnen datasets te identificeren en te extrapoleren naar nieuwe gegevens. Het onderzoeksteam van MIT toont aan hoe AI drie cruciale domeinen in de strijd tegen antimicrobiële resistentie kan versterken: klinische diagnostiek, AMR-surveillance en antibioticaontdekking.
Voor aandoeningen zoals bacteriële sepsis, toxisch shocksyndroom en bacteriële meningitis zijn vroege ziekteherkenning, microbiële identificatie en AMR-profielbepaling essentieel. De huidige gouden standaardmethoden voor het diagnosticeren van bacteriële infecties omvatten kweekmethoden voor antimicrobiële gevoeligheidstests (AST), op nucleïnezuur gebaseerde tests (PCR en 16S-sequencing), en matrix-assisted laser desorption/ionization time-of-flight massaspectrometrie (MALDI-TOF MS).
Een veelbelovende AI-toepassing betreft sepsis, waarbij elk uur vertraging in antibioticabehandeling het mortaliteitsrisico met 9% verhoogt. Het COMPOSER-model (COnformal Multidimensional Prediction Of SEpsis Risk) demonstreert hoe AI vroege sepsisvoorspelling kan verbeteren. Dit deep learning-model werd getraind op meer dan 100.000 positieve elektronische patiëntendossiers van sepsis en meer dan 2 miljoen voorbeelden van niet-septische patiënten. COMPOSER bereikte AUROC-scores van 0,953 in intensive care units en 0,945 in spoedeisende hulpafdelingen. De implementatie van het model in het UC San Diego Hospital System resulteerde in een relatieve daling van 17% in ziekenhuissterfte en een stijging van 10% in naleving van sepsisprotocollen.
Voor bacteriële identificatie zijn spectroscopie- en beeldgebaseerde technieken in opkomst die bacteriën snel kunnen detecteren en identificeren met minimale monsters, soms zonder de noodzaak van kweek. Een CNN-model (Convolutional Neural Network) getraind op Ramanspectra kon 14 microbiële soorten identificeren met een gemiddelde nauwkeurigheid van 95%, waarbij E. coli de hoogste nauwkeurigheid behaalde (99%) en P. aeruginosa de laagste (81%).
Het monitoren van de verspreiding van AMR-determinanten en het ontstaan van nieuwe resistentiemechanismen is essentieel voor het ontwikkelen van evidence-based richtlijnen voor antibioticabeheer. Traditionele op regels gebaseerde algoritmen voor AMR-surveillance identificeren antibioticumresistentiegenen (ARGs) op basis van sequentiegelijkenisdrempels met bekende ARGs. Hoewel deze methoden zelden niet-ARGs verkeerd classificeren als ARGs, hebben ze moeite met het identificeren van nieuwe ARGs met lage sequentiegelijkenis met bestaande referenties.
AI-methoden kunnen effectiever generaliseren naar nieuwe sequentieruimtes. Een studie uit 2020 door Pataki et al. toonde aan hoe een Random Forest-model, getraind op whole-genome sequencing data uit vijf geografisch diverse landen, de minimale remmende concentratie (MIC) van ciprofloxacine tegen E. coli-monsters kon voorspellen. Voor metagenomische data introduceert DeepARG-SS een methode om 30 AMR-categorieën te voorspellen uit korte sequentiereads. Met een voorspellingsscore-drempel van 0,8 voorspelde DeepARG-SS correct de AMR-categorie in 9.976 van de 10.000 gevallen.
Sinds 1987 is er geen nieuwe klasse van klinische antibiotica meer ontdekt. AI-technieken kunnen nu worden ingezet om knelpunten in verschillende domeinen van antibioticaontdekking te overwinnen. Virtuele screening biedt een minder kostbaar en tijdrovend alternatief voor conventionele high-throughput screening (HTS) door ML-technieken te gebruiken om nieuwe moleculen met een specifieke moleculaire eigenschap te voorspellen.
SyntheMol, een generatief algoritme ontwikkeld in 2024, gebruikt een Monte-Carlo Tree Search om een combinatorische ruimte van moleculaire bouwstenen te doorzoeken en voorspelde antibacteriële verbindingen te genereren die synthetisch haalbaar zijn. Van de 58 structureel diverse gegenereerde moleculen die in vitro werden getest tegen A. baumannii, hadden zes verbindingen (>10% succespercentage) een MIC van 8 µg/mL of lager.
Voor natuurlijke producten biedt DeepBGC een deep learning-gebaseerd platform voor het voorspellen van biosynthetische genclusters (BGCs) met behulp van een BiLSTM (Bidirectional Long Short-Term Memory). DeepBGC overtrof ClusterFinder, een state-of-the-art op regels gebaseerde BGC-voorspeller, bij het identificeren van BGC-posities uit gehele (kunstmatige) genomen (AUROC = 0,923 versus 0,847).
Ondanks de veelbelovende resultaten blijven er uitdagingen bestaan. De huidige AI-modellen voor AMR-predictie vereisen afzonderlijke modellen voor elke antibioticum-pathogeen combinatie, wat hun toepasbaarheid beperkt in gevallen waar gegevens voor bepaalde combinaties beperkt zijn. Bovendien kan het trainen van een generaliseerbare voorspeller sterk afhangen van het specifieke pathogeen en het antibioticum.
Een belangrijk aandachtspunt voor op genoom gebaseerde AMR-voorspelling is de onevenwichtige beschikbaarheid van genomische gegevens tussen geografische regio’s. Trainingsgegevens zijn zelden beschikbaar uit lage- en middeninkomenslanden, waar gezondheidszorg minder toegankelijk is en waar AMR juist de grootste bedreiging vormt.
Naar boven
