За последние 5 лет машинное обучение (ML), раздел искусственного интеллекта, вызвало интерес во многих областях исследований, связанных с улучшением диагностики заболеваний (например, выявление рака, инфекционных заболеваний и т.д.).
Такая популярность во многом объясняется нынешней эпохой, когда ежедневно накапливаются большие объемы данных в цифровом виде, известные как большие данные, которые требуют новых подходов для их изучения. Масс-спектры регулярно генерируются с помощью MALDI-TOF MS и чаще всего не используются для дополнительного анализа, помимо исключительно идентификации микроорганизмов. Несмотря на то, что в нескольких исследованиях было отмечено успешное применение MALDI-TOF MS для выявления бактериальной AMR по наличию специфических биомаркеров (Feucherolles et al., 2019a; Oviaño and Bou, 2019; Yoon and Jeong, 2021), определенных классическими статистическими методами, в масс-спектрах по-прежнему зашифрована масса информации.
В последнее время все большее число отчетов, объединяющих масс-спектрометрию MALDI-TOF и ML, показывают многообещающие результаты для решения клинических проблем больших данных, таких как скрининг AMR (Weis et al., 2020a,b). В большинстве этих исследований исследовались такие патогены, как Staphylococcus aureus и семейство β-лактамных антибиотиков (Sogawa et al., 2017; Wang et al., 2018; Tang et al., 2019). Поэтому существует очень мало опубликованных данных, касающихся других соответствующих клинических или пищевых патогенов или антимикробных препаратов, таких как хинолоны (например, ципрофлоксацин) и макролиды (например, эритромицин и азитромицин) (Sabença et al., 2020; Sousa et al., 2020). Однако макролиды и хинолоны являются антибиотиками первой линии, используемыми для лечения тяжелых инфекционных гастроэнтеритов и отнесенными ВОЗ к категории критически важных для медицины человека (WHO, 2019).
Кампилобактериоз, вызываемый в основном C. jejuni и C. coli, является основной глобальной причиной бактериального гастроэнтерита у людей. Аналогичным образом, 10,9 и 0,6% C. coli и C. jejuni, соответственно, выделенных от людей, были мультирезистентны к ципрофлоксацину, эритромицину, тетрациклину и гентамицину в 2019 году (EFSA и ECDC, 2021). У животных, выращиваемых в пищевых целях, 26,9% C. coli, выделенных от телят, были резистентны по крайней мере к трем из ранее перечисленных антимикробных препаратов. MALDI-TOF MS уже применялся для протеотипирования C. coli, C. fetus и совсем недавно для геномоспецифики C. concisus (Emele et al., 2019a,b; On et al., 2021). Также сообщалось о его способности дифференцировать штаммы, резистентные к β-лактамам, от чувствительных штаммов путем предварительной обработки масс-спектров перед анализом (Penny et al., 2016). Однако нет опубликованных отчетов о прямом применении масс-спектрометрии и ML для прямого прогнозирования AMR у Campylobacter spp.
Поэтому цель данного исследования - показать, что MALDI-TOF MS в сочетании с ML-подходом может быть полезным инструментом для быстрого и точного скрининга AMR соответствующих патогенов пищевого происхождения, таких как C. coli и C. jejuni. Хотя кампилобактериоз в основном самоизлечивается и не требует специфической антибиотикотерапии, такая комбинированная стратегия может помочь быстро назначить оптимальную антимикробную терапию и, следовательно, ограничить эмпирическую стратегию широкого спектра действия для других патогенов. Предсказание ML на основе масс-спектров белков исследовалось на уровне конкретных видов и антибиотикорезистентности. Также рассмотрено влияние различных методов экстракции белков на прогнозирование резистентности.
Панель из 224 штаммов C. jejuni и 116 штаммов C. coli была фенотипически протестирована на резистентность к семи антимикробным препаратам, т.е. ципрофлоксацину, эритромицину, тетрациклину, гентамицину, канамицину, стрептомицину и ампициллину, независимо друг от друга, и после экстракции белка была представлена на анализ MALDI Biotyper, который давал один средний спектр на изолят и тип экстракции. В целом, наблюдалась высокая эффективность классификаторов, выявляющих чувствительные, а также резистентные к ципрофлоксацину и тетрациклину изоляты. Максимальная чувствительность и точность составили 92,3 и 81,2%, соответственно. Существенных различий в эффективности предсказания между типами экстракции белка не было отмечено. Наконец, в ходе данного исследования были определены три предполагаемых биомаркера AMR для фторхинолонов, тетрациклинов и аминогликозидов. Сочетание MALDI-TOF MS и машинного обучения может стать эффективным и недорогим инструментом для быстрого скрининга определенных AMR в пищевых патогенах, что может позволить быстро начать точную, целенаправленную антибиотикотерапию.
С одной стороны, MALDI-TOF MS в сочетании с контролируемым ML может быть мощным инструментом для быстрого скрининга патогенов пищевого происхождения, таких как C. coli и C. jejuni, которые могут быть восприимчивы к ципрофлоксацину или резистентны к тетрациклину. С другой стороны, другие протестированные антимикробные препараты, т.е. ампициллин, гентамицин, канамицин, стрептомицин и эритромицин, не показали хороших результатов, чтобы сделать вывод о возможности их применения в клинических условиях, из-за несбалансированности данных.
Тем не менее, эта работа может служить доказательством концепции, и будущие исследования должны включать другие важные пищевые патогены, такие как Salmonella spp. Наш подход имеет потенциал для получения следующей информации из одного анализа спектра белка: идентификация вида, паттерны восприимчивости к антимикробным препаратам и генетическое разнообразие.
