Un nou model AI identifică genele de rezistență la antibiotice dincolo de bazele de date standard
Un model genomic de limbaj, numit resLens, poate ajuta cercetătorii să identifice genele de rezistență la antibiotice pe care instrumentele convenționale de potrivire a bazelor de date le pot omite, oferind o metodă mai rapidă de urmărire a rezistenței emergente, subliniind totodată necesitatea validării atente.
Un studiu recent publicat în jurnalul npj Antimicrobials and Resistance a dezvoltat o familie de modele genomice de limbaj (gLM), numite resLens, pentru a îmbunătăți detectarea genelor de rezistență la antibiotice (ARG-uri).
Apariția rezistenței la antibiotice în microbii patogeni necesită dezvoltarea unor instrumente mai avansate pentru a studia ARG-urile și evoluția lor. Majoritatea instrumentelor disponibile, bazate pe aliniere, cum ar fi metodele k-mer, algoritmii best-hit și metodele modelului Markov ascuns (HMM), au mai multe limitări, inclusiv performanțe slabe atunci când variantele și ARG-urile de referință nu se potrivesc strâns.
În plus, bazele de date reprezintă doar o fracțiune din rezistom și s-ar putea să nu țină pasul cu amploarea și viteza evoluției rezistenței. Deși metodele de învățare profundă sunt mai dinamice decât instrumentele bazate pe aliniere și au încercat să abordeze aceste limitări, multe dintre abordările anterioare trebuie să învețe reprezentările ARG-urilor și funcțiile proteinelor de la zero, în timp ce resLens utilizează învățarea prin transfer dintr-un model de limbaj ADN pre-antrenat.
În cadrul studiului, cercetătorii au prezentat resLens pentru a spori detectarea și analiza ARG-urilor. Studiul a folosit ARG-uri din bazele de date NCBI Pathogen Detection RefGene și ResFinder. Aceste seturi de date au fost fuzionate, iar genele care erau duplicate perfecte sau subsecvențe perfecte ale altor gene care conferă rezistență la aceeași clasă de antibiotice au fost excluse.
Ulterior, clasele de rezistență la antibiotice cu ≥ 20 de instanțe în setul de date au fost păstrate și au fost procesate prin instrumentul Prodigal pentru a asigura că doar cadrele de citire deschise (ORFs) sunt prezente. Această pre-procesare a generat peste 7.600 de ARG-uri în 12 clase de antibiotice. În plus, GenBank a fost interogat pentru gene bacteriene non-rezistente de lungime comparabilă cu ARG-urile, excluzându-le pe cele cu > 90% identitate secvențială cu orice secvență ARG.
Setul de date ARG a fost combinat cu un număr egal de gene non-rezistente selectate aleator. Acest set de date a fost folosit pentru a rafina modelul de lungă citire (LR). Pentru setul de date de citiri scurte (SR), secvențele întregi ale genelor au fost împărțite în citiri de 150 de baze-pereche (bp). Seturile de date au fost împărțite în 80% pentru antrenament și 20% pentru testare. În total, au fost rafinate patru modele: două pentru date SR și două pentru date LR. Un model a realizat clasificarea binară a non-ARG și ARG pentru fiecare set de date.
Cel de-al doilea model a clasificat apoi ARG-urile prezise în clase specifice de ARG-uri. Echipa a evaluat modelele resLens în raport cu cinci instrumente bazate pe aliniere (AMR++, k-mer-based antibiotic gene resistance analyzer [KARGA], ResFinder, Meta-MARC și resistance gene identifier [RGI]) și două modele de învățare profundă (DeepARG și ARGNet). Cercetătorii au observat că resLens a depășit celelalte modele pe setul de date LR.
Cu toate acestea, a existat o diferență modestă între resLens și KARGA sau RGI. Notabil, RGI și KARGA au depășit resLens pe setul de date SR. Mai mult, modelele resLens au replicat îndeaproape distribuția claselor în setul de testare LR comparativ cu alte modele. resLens a arătat, de asemenea, timpi competitivi de inferență pe setul de testare, deși a fost mai lent decât ARGNet pe setul de testare LR și DeepARG și KARGA pe setul de testare SR.
Echipa a avut, de asemenea, ca obiectiv evaluarea performanței modelului pe ARG-uri noi. În acest scop, au fost identificate două familii de gene care conferă rezistență la aminoglicozide (aminoglicozid nucleotidiltransferază; ANT) și beta-lactame (blaADC), care aveau similaritate secvențială redusă cu alte familii de gene ce conferă rezistență la aceleași antibiotice. Ulterior, echipa a creat un set de testare LR doar cu genele din familiile ANT și blaADC, și un alt set de antrenament LR compus din alte gene.
Modelul a fost rafinat și evaluat pe noile seturi de antrenament și testare. Modelul a clasificat cu acuratețe genele reținute din setul de antrenament, deși performanța a variat în funcție de familia de gene și a fost mai puternică pentru blaADC decât pentru ANT. În comparație cu o metodă bazată pe aliniere, baza de date ResFinder a fost recreată fără genele ANT și blaADC, iar ResFinder a fost evaluat pe acest nou set de testare de secvențe reținute. ResFinder a avut o performanță slabă, identificând 86% din genele ANT, dar niciuna din blaADC.
Cercetătorii au efectuat, de asemenea, o analiză mai strictă a clusterelor pentru a testa secvențe mai disimile. Performanța a scăzut, în special pentru detectarea binară a ARG-urilor, indicând că resLens ar putea generaliza dincolo de potrivirile apropiate din baze de date, dar a pierdut totuși acuratețea în cazul unor schimbări mai puternice de distribuție.
În final, echipa a folosit modele LR pentru a analiza datele de secvențiere a întregului genom (WGS) ale organismelor cu fenotipuri de rezistență validate. RGI și ResFinder au fost testate în mod similar pentru comparație. Filtrarea și maparea claselor de antibiotice către cele prezise de resLens au generat 79 de genomuri cu fenotipuri de rezistență validate, fiecare având una până la trei clase de antibiotice. RGI și resLens au identificat cel puțin o genă corespunzătoare fenotipului etichetat al unui anumit genom mai des decât ResFinder.
Cu toate acestea, autorii au subliniat că această analiză WGS a fost exploratorie și nu un reper definit, deoarece setul de date avea o dimensiune limitată, teste de laborator neexhaustive și lipsea o anotare la nivel de genă a mecanismelor subiacente fiecărui fenotip de rezistență. Validarea manuală a predicțiilor resLens a identificat multe adevărate pozitive, dar și fals pozitive și clasificări ambigue sau incorecte, subliniind necesitatea utilizării acestor instrumente pentru screening și generarea de ipoteze, mai degrabă decât pentru concluzii finale.
Rezultatele ilustrează că gLM-urile pot clasifica ARG-urile cu o fidelitate și viteză ridicată și sunt mai puțin dependente de baza de date decât alte instrumente de învățare profundă sau bazate pe aliniere. Modelele resLens au depășit instrumentele de învățare profundă și au avut o performanță competitivă cu cele mai bune instrumente bazate pe aliniere. În general, rezultatele evidențiază potențialul gLM-urilor de a îmbunătăți detectarea ARG-urilor, inclusiv pentru ARG-uri cu reprezentare limitată în bazele de date de referință, reducând în același timp dependența de
