Las infecciones resistentes a las drogas, especialmente de bacterias mortales como la tuberculosis y los estafilococos, son una creciente crisis de salud global. Estas infecciones son más difíciles de tratar, a menudo requieren medicamentos más caros o tóxicos y son responsables de estadías hospitalarias más largas y mayores tasas de mortalidad. Solo en 2021, 450,000 personas desarrollaron tuberculosis resistente a múltiples fármacos, con tasas de éxito del tratamiento que cayeron a solo 57%, según la Organización Mundial de la Salud.
Ahora, los científicos de la Universidad de Tulane han desarrollado un nuevo método basado en inteligencia artificial que detecta con mayor precisión los marcadores genéticos de la resistencia a los antibióticos en Mycobacterium tuberculosis y Staphylococcus aureus – potencialmente conduciendo a tratamientos más rápidos y efectivos.
Un estudio de Tulane, publicado en Comunicaciones de la naturalezaintroduce un nuevo modelo de asociación grupal (GAM) que utiliza el aprendizaje automático para identificar mutaciones genéticas vinculadas a la resistencia a los medicamentos. A diferencia de las herramientas tradicionales, que pueden vincular por error mutaciones no relacionadas con la resistencia, GAM no depende del conocimiento previo de los mecanismos de resistencia, lo que lo hace más flexible y puede encontrar cambios genéticos previamente desconocidos.
Métodos actuales para detectar la resistencia utilizados por organizaciones como la OMS que tardan demasiado, como las pruebas basadas en la cultura, o se pierden mutaciones raras, como con algunas pruebas basadas en ADN. El modelo de Tulane aborda ambos problemas analizando secuencias de genoma enteras y comparando grupos de cepas bacterianas con diferentes patrones de resistencia para encontrar cambios genéticos que indican de manera confiable resistencia a medicamentos específicos.
«Piense en ello como el uso de toda la huella digital genética de la bacteria para descubrir lo que lo hace inmune a ciertos antibióticos», dijo el autor senior Tony Hu, PhD, silla presidencial de Weatherhead en innovación biotecnología y director del Centro Tulano de Diagnósticos Celulares y Moleculares. «Básicamente, estamos enseñando a una computadora a reconocer los patrones de resistencia sin necesidad de que los señalemos primero».
En el estudio, los investigadores aplicaron a GAM a más de 7,000 cepas de Mtb y casi 4.000 cepas de S. aureus, Identificación de mutaciones clave vinculadas a la resistencia. Descubrieron que GAM no solo coincidía o excedía la precisión de la base de datos de resistencia de la OMS, sino que también redujo drásticamente los falsos positivos, identificados erróneamente marcadores de resistencia que pueden conducir a un tratamiento inapropiado.
«Las pruebas genéticas actuales podrían clasificar erróneamente las bacterias como resistentes, afectando la atención al paciente», dijo el autor principal Julian Saliba, un estudiante graduado en el Centro de Diagnóstico Celular y Molecular de la Universidad de Tulane. «Nuestro método proporciona una imagen más clara de la cual las mutaciones realmente causan resistencia, reduciendo los diagnósticos erróneos y los cambios innecesarios al tratamiento».
Cuando se combina con el aprendizaje automático, la capacidad de predecir la resistencia con datos limitados o incompletos mejoró. En estudios de validación que utilizan muestras clínicas de China, el modelo de aprendizaje automático mejoró los métodos basados en la OMS para predecir la resistencia a los antibióticos de primera línea clave.
Esto es significativo porque la resistencia a la captura temprano puede ayudar a los médicos a adaptar el régimen de tratamiento correcto antes de que la infección se propague o empeore.
La capacidad del modelo para detectar resistencia sin necesidad de reglas definidas por expertos también significa que podría aplicarse a otras bacterias o incluso en la agricultura, donde la resistencia a los antibióticos también es una preocupación en los cultivos.
«Es vital que nos mantengamos a la vanguardia de las infecciones por drogas en constante evolución», dijo Saliba. «Esta herramienta puede ayudarnos a hacer eso».
