0
| 本文作者： 李雨晨 | 2019-04-30 15:17 |
圖片來源： iStock/Dr_Microbe
根據美國疾病控制和預防中心的數據，結核病是世界上最致命的疾病之一，2017年有近1000萬人受到感染，其中130萬人死于結核病。但是，導致結核病的細菌——結核分枝桿菌，能夠對某些藥物產生耐藥性而難以定位。
在這些新感染的病例中，有4％的病例至少對兩種藥物具有耐藥性，這種疾病稱為多重耐藥結核菌（MDR-TB）。另外，十分之一的人表現出對多種藥物的廣泛耐藥，即所謂的廣泛耐藥結核病（XDR-TB）。如果患者確定感染就需要給予一線藥物，如果患者表現出耐藥性癥狀或檢測表明該菌株不受一線治療影響，則增加二線治療。
雷鋒網了解到，哈佛醫學院Blavatnik研究所的研究人員設計了一種算法，能夠檢測出治療前對常用結核病藥物的耐藥性。在實驗中，他們成功地在0.1秒之內準確預測了結核菌株對10種一線和二線藥物的耐藥性，而且比類似模型的預測精度更高。
該方法發表在《EBioMedicine》雜志上，并將被添加到哈佛醫學院(Harvard Medical School)的genTB工具中，genTB工具分析結核病數據并預測結核病耐藥性。
哈佛醫學院的高級研究作者兼生物醫學信息學助理教授Maha Farhat在一份聲明中說：“耐藥形式的結核病很難被發現、難以治療，并且預示著患者的預后效果不好。因此，在診斷時快速檢測出完整的耐藥性的能力，對于改善個體患者的預后、減少對他人的傳播至關重要。”
Farhat進一步解釋到，藥物敏感性檢測設備在發展中國家很難獲得，即使在裝備精良的實驗室中，也需要數周才能驗證結果。而掃描DNA樣本尋找耐藥基因的新檢測方法也有其局限性，主要是無法發現多種藥物的耐藥或檢測出罕見的導致耐藥的基因變異。
至于全基因組測序測試，它們在檢測二線藥物耐藥性方面往往表現不佳。
相比之下，研究人員的方法利用機器學習算法來捕捉多種突變的影響。它包含兩個模型：一個統計模型和一個“wide-and-deep”系統，后一個系統將每個突變作為一個變量，該變量要么產生耐藥性，要么沒有。
“我們的目標是開發一個神經網絡模型，這種模型與大腦中神經元之間的連接形成方式大致相似，”該研究的第一作者Michael Chen說。“神經網絡將兩種形式的機器學習相互交叉，以識別基因變異對菌株耐藥性的綜合影響。”
這兩個人工智能系統對3601株耐一線和二線藥物的結核菌株進行了培訓，其中包括1228株耐多藥菌株。為了在現實環境中測試它們的性能，這些模型要預測792個它們從未“見過”的完全測序的結核病基因組的耐藥性。
據雷鋒網了解，“wide-and-deep”的AI系統預測菌株對一線和二線藥物的耐藥性分別具有94％和90％的準確率，而統計模型預測菌株對一線藥物的耐藥性具有94％的預測準確率，對二線藥物預測準確率達88％。兩種模型都能夠在0.1秒內預測菌株對一線和二線治療的耐藥性，而“wide-and-deep”模型顯示出預測極其罕見的基因突變影響的能力。
研究人員聲稱，如果將這些模型納入臨床試驗，可以使藥物耐藥性檢測更快，更準確。“我們的模型強調了人工智能在結核病中的作用，但其重要性遠遠超過了結核病。AI通過快速合成大量數據來幫助指導臨床決策，以幫助臨床醫生在許多情況和其他疾病中做出最明智的決策。”
據雷鋒網了解，該研究得到了美國國立衛生研究院BD2K（授予K01 ES026835）的支持。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
