Традиционное фенотипическое тестирование на чувствительность к противомикробным препаратам (AST) это многодневный процесс.
AST требует выделения изолированной колонии бактерий, культивирования бактериальной суспензии, последующей инкубации культуры с противомикробным препаратом, считывания и интерпретации лабораторным техником или бактериологическим анализатором. Автоматизированные методы AST, такие как Vitek2 и BD Phoenix, увеличивают пропускную способность и сокращают время выполнения анализа, но все еще полагаются на традиционные показания роста бактерий в присутствии антимикробного препарата. Такой способ получения результатов AST часто приводит к тому, что пациенты получают эмпирическое лечение неподходящим антимикробным препаратом, что негативно сказывается на исходах лечения. Таким образом, по-прежнему необходимы методы, позволяющие быстро различать чувствительные и резистентные организмы без необходимости проведения классической фенотипической AST.
Высококонтентная визуализация (ВКВ) объединяет автоматизированную микроскопию высокого разрешения и анализ для измерения множества морфологических переменных в отдельных клетках в определенной популяции. Таким образом, ВКВ позволяет воспроизводить характеристики и гетерогенность микроскопической популяции без ущерба для репрезентативности измерений. Наиболее распространенным применением ВКВ в бактериологии является измерение морфологических изменений под воздействием лекарственных препаратов с известным способом действия.
Этот метод облегчает качественное предсказание новых лекарственных соединений на основе размерных характеристик бактерий. Такие методы можно применять для изучения реакции бактериальных популяций на антимикробные препараты. Таким образом, тонкий анализ стандартизированных морфологических признаков может предсказать возникновение антимикробной резистентности (AMR) и реакцию организма на любое химическое воздействие. Исследования по изучению этих связей с использованием ВКВ единичных бактериальных клеток в сочетании с анализом изображений уже проводятся, но связь между такими морфологическими характеристиками и AMR еще не вполне определена. Учитывая предположение о том, что бактериальные популяции ведут себя неоднородно, характеристика любых вариаций внутри и между большими популяциями бактерий требует сложных аналитических методов, выходящих за рамки базовых статистических подходов.
Salmonella enterica subsp. enterica серовар Typhimurium (S. Typhimurium), классический энтеральный патоген, который может вызывать гастроэнтерит, диарею, а в некоторых случаях и системные заболевания. Примечательно, что S. Typhimurium становится все более резистентной к основным антимикробным препаратам, включая фторхинолон широкого спектра действия - ципрофлоксацин, который действует путем остановки репликации через постоянные разрывы двухцепочечной ДНК. Ципрофлоксацин остается ключевым антимикробным препаратом против инвазивных инфекций Salmonella и поэтому существует необходимость лучше охарактеризовать резистентность Salmonella к ципрофлоксацину на клеточном уровне.
Стремясь лучше понять связь между клеточной морфологией и AMR, мы попытались соединить ВКВ с алгоритмами машинного обучения, чтобы определить ключевые характеристики, которые могут предсказать реакцию бактериальной популяции на антимикробный препарат. Для решения этой задачи мы отобрали два лабораторных штамма и два клинически значимых изолята S. Typhimurium, подвергли их воздействию четырех концентраций ципрофлоксацина в течение 24 часов и периодически проводили ВКВ. Мы продемонстрировали, что отдельные изоляты демонстрируют различные ростовые и морфологические характеристики, которые группируются по временным точкам и чувствительности к ципрофлоксацину, что происходит независимо от воздействия ципрофлоксацина.
Используя другой набор клинических изолятов S. Typhimurium, мы обнаружили, что классификаторы машинного обучения могут точно предсказать чувствительность к ципрофлоксацину без его воздействия или каких-либо предварительных знаний о фенотипе резистентности. Эти результаты демонстрируют принцип использования высококонтентной визуализации с алгоритмами машинного обучения для прогнозирования лекарственной чувствительности клинических бактериальных изолятов. Этот метод может стать важным инструментом в понимании морфологического воздействия антимикробных препаратов на бактериальную клетку для выявления лекарственных средств с новыми способами действия.
