Ver traducción automática
Esta es una traducción automática. Para ver el texto original en inglés haga clic aquí
#Novedades de la industria
{{{sourceTextContent.title}}}
El aprendizaje de máquina identifica genes de resistencia antibióticos
{{{sourceTextContent.subTitle}}}
Los investigadores en la Universidad de California San Diego han desarrollado un acercamiento que utiliza el aprendizaje de máquina identificar y predecir qué genes hacen bacterias infecciosas resistentes a los antibióticos. El acercamiento fue probado en tensiones de la tuberculosis de micobacteria--las bacterias que causan la tuberculosis (TB) en seres humanos. Identificó 33 24 nuevos de resistencia genes antibióticos sabido y en estas bacterias.
{{{sourceTextContent.description}}}
Los investigadores dicen que el acercamiento se puede utilizar en otros patógeno infección-que causan, incluyendo staph y las bacterias que causen infecciones de vías urinarias, pulmonía y meningitis.
“Conocer que están confiriendo los genes resistencia antibiótico podría cambiar la manera que las enfermedades infecciosas se tratan en el futuro,” dijo autor a Jonathan Monk co-mayor, científico de la investigación en el departamento de bioingeniería en Uc San Diego. “Por ejemplo, si hay una infección persistente de la TB en la clínica, los médicos pueden ordenar esa tensión, miran sus genes e imaginar a los cuales los antibióticos él sean resistentes y cuáles es susceptible, después prescriba el antibiótico derecho para esa tensión.”
“Esto podía abrir las oportunidades para el tratamiento personalizado para su patógeno. Cada tensión es diferente y se debe potencialmente tratar diferentemente,” dijo autor a Bernhard Palsson co-mayor, profesor de Galletti de la bioingeniería en el UC San Diego Jacobs School de la ingeniería. “Con este análisis del aprendizaje de máquina del cacerola-genoma - el conjunto completo de todos los genes en todas las tensiones de una especie bacteriana - podemos entender mejor las propiedades que hacen estas tensiones diferentes.”
El equipo entrenó a un algoritmo de aprendizaje de máquina usando las secuencias y los fenotipos del genoma - los rasgos o las características físicos que pueden ser observados, por ejemplo resistencia antibiótico - de más de 1.500 tensiones de la tuberculosis del M. De estas entradas, el algoritmo predijo un sistema de genes y de formas de la variante de estos genes, llamados los alelos, que causan resistencia antibiótico. 33 fueron validados con los genes de resistencia antibióticos sabidos, el 24 restante eran las nuevas predicciones que todavía no se han probado experimental.
Los investigadores analizaban más lejos las predicciones del algoritmo e identificaron combinaciones de alelos que podrían obrar recíprocamente juntos y hacer una tensión ser resistente a los antibióticos. También trazaron estos alelos sobre las estructuras cristalinas de las proteínas de la tuberculosis del M. (publicadas en el banco de datos de proteína). Encontraron que algunos de estos alelos aparecieron en ciertas regiones estructurales de las proteínas.
“Hicimos los análisis interaccionales y estructurales para cavar más profundo y para desarrollar hipótesis más complejas para cómo estos genes podrían contribuir a los fenotipos antibióticos de la resistencia,” dijimos a primer autor Erol Kavvas, estudiante del Ph.D. de la bioingeniería en el grupo de la investigación de Palsson. “Estos hallazgos podrían ayudar a las investigaciones experimentales futuras encendido si el agrupar estructural de estos alelos desempeña un papel en su conferral de la resistencia antibiótico.”
Los resultados de este estudio son todo de cómputo, así que el equipo está mirando para trabajar con los investigadores experimentales para probar si los 24 nuevos genes previstos por la resistencia de hecho confer antibiótico del algoritmo en tuberculosis del M.
Los estudios futuros implicarán el aplicar del acercamiento del aprendizaje de la máquina del equipo a las bacterias infecciosas principales, conocidas como los patógeno de ESKAPE: Faecium del enterococo, pneumoniae del estafilococo áureo, de la Klebsiella, baumannii de la acinetobacteria, Pseudomonas aeruginosa y enterobacteria especie. Como paso siguiente, el equipo está integrando los modelos de la genoma-escala de redes metabólicas con su acercamiento del aprendizaje de máquina para entender los mecanismos que son la base de la evolución de la resistencia antibiótico.