哈佛AI确定结核病何时对普通药物产生抗药性

根据美国疾病控制和预防中心的数据，结核病(TB)是世界上最致命的疾病之一。2017年有近1000万人感染了这种疾病，在此期间，有130万人报告了与结核相关的死亡人数。更糟糕的是，导致结核病的细菌 - 结核分枝杆菌 - 由于能够对某些药物产生耐药性而难以定位。

幸运的是，哈佛医学院Blavatnik研究所的研究人员设计了一种能够检测常用结核病药物预处理抗性的计算方法。在实验中，他们设法准确地预测了TB菌株在十分之一秒内对10种一线和二线药物的耐药性，并且比同类药物具有更高的精确度。

该方法在EBioMedicine期刊中有所描述，并将被添加到哈佛医学院的genTB工具中，该工具可分析结核病数据并预测结核病耐药性。

哈佛医学院的高级研究作者兼生物医学信息学助理教授Maha Farhat在一份声明中说：“耐药形式的结核病很难被发现，难以治疗，预示着患者的预后不良。”“在诊断时快速检测出完整的耐药性的能力对于改善个体患者的预后和减少感染对他人的传播至关重要。”

Farhat及其同事解释说，在每年诊断出的数百万新结核病例中，大约4%对至少两种药物有抗药性，十分之一的患者对多种药物有抗药性。药物敏感性检测设备在发展中国家很难获得，即使在装备精良的实验室中，也需要数周才能验证结果。扫描样品DNA抗性基因的较新检查也有其局限性，主要是无法发现超过少数药物的耐药性或检测稀有抗性促进遗传变异体的存在。至于全基因组测序测试，它们在检测对二线药物的耐药性方面经常表现不佳。

相比之下，研究人员的方法利用机器学习算法来捕捉多个突变的影响。它包含两个模型：统计模型和“广泛和深度”系统，将每个突变编码为赋予阻力或不赋予阻力的变量。

“我们的目标是开发一种神经网络模型，它是一种机器学习模式，与大脑中神经元之间的联系松散相似，”研究第一作者迈克尔·陈说，他开始将模型作为新生进行研究。在哈佛。“...神经网络交织两种形式的机器学习，以确定遗传变异对抗生素抗性的综合影响。”

这两个AI系统接受了对一线和二线药物耐药的3,601个TB菌株的培训，包括1,228个多药耐药菌株，其药物敏感性检测结果。为了测试它们的性能，本文的共同作者从792个完全测序的TB基因组的测试语料库中提取样本。

广泛和深入的AI系统预测对一线和二线药物的耐药性分别具有94%的准确度和90%的准确度，而统计模型预测对一线药物的抗性具有94%的准确度和二线治疗准确率达88%。两种模型都能够在十分之一秒内预测一线和二线治疗的耐药性，而广泛和深度模型显示出预测极其罕见的基因突变的影响的能力。

研究人员声称，如果将其纳入临床试验，这些模型可以使药物耐药性检测更快，更准确。

“广泛而深入的模型是一种决策工具，它将所有数据与先前的生物学知识相结合，即抵抗力是由大量个体突变和许多不同突变之间的相互作用引起的，”Andy Beam，研究合着者和教师哈佛医学院的生物医学信息学专家说。“我们的模型强调了人工智能在结核病中的作用，但其重要性远远超过了结核病。”

标签： AI