哈佛医学院 AI 新成果：0.1 秒内确定结核病菌的耐药性

图片来源： iStock/Dr_Microbe

根据美国疾病控制和预防中心的数据，结核病是世界上最致命的疾病之一，2017年有近1000万人受到感染，其中130万人死于结核病。但是，导致结核病的细菌——结核分枝杆菌，能够对某些药物产生耐药性而难以定位。

在这些新感染的病例中，有4％的病例至少对两种药物具有耐药性，这种疾病称为多重耐药结核菌（MDR-TB）。另外，十分之一的人表现出对多种药物的广泛耐药，即所谓的广泛耐药结核病（XDR-TB）。如果患者确定感染就需要给予一线药物，如果患者表现出耐药性症状或检测表明该菌株不受一线治疗影响，则增加二线治疗。

雷锋网了解到，哈佛医学院Blavatnik研究所的研究人员设计了一种算法，能够检测出治疗前对常用结核病药物的耐药性。在实验中，他们成功地在0.1秒之内准确预测了结核菌株对10种一线和二线药物的耐药性，而且比类似模型的预测精度更高。

该方法发表在《EBioMedicine》杂志上，并将被添加到哈佛医学院(Harvard Medical School)的genTB工具中，genTB工具分析结核病数据并预测结核病耐药性。

哈佛医学院的高级研究作者兼生物医学信息学助理教授Maha Farhat在一份声明中说：“耐药形式的结核病很难被发现、难以治疗，并且预示着患者的预后效果不好。因此，在诊断时快速检测出完整的耐药性的能力，对于改善个体患者的预后、减少对他人的传播至关重要。”

Farhat进一步解释到，药物敏感性检测设备在发展中国家很难获得，即使在装备精良的实验室中，也需要数周才能验证结果。而扫描DNA样本寻找耐药基因的新检测方法也有其局限性，主要是无法发现多种药物的耐药或检测出罕见的导致耐药的基因变异。

至于全基因组测序测试，它们在检测二线药物耐药性方面往往表现不佳。

相比之下，研究人员的方法利用机器学习算法来捕捉多种突变的影响。它包含两个模型：一个统计模型和一个“wide-and-deep”系统，后一个系统将每个突变作为一个变量，该变量要么产生耐药性，要么没有。

“我们的目标是开发一个神经网络模型，这种模型与大脑中神经元之间的连接形成方式大致相似，”该研究的第一作者Michael Chen说。“神经网络将两种形式的机器学习相互交叉，以识别基因变异对菌株耐药性的综合影响。”

这两个人工智能系统对3601株耐一线和二线药物的结核菌株进行了培训，其中包括1228株耐多药菌株。为了在现实环境中测试它们的性能，这些模型要预测792个它们从未“见过”的完全测序的结核病基因组的耐药性。

据雷锋网了解，“wide-and-deep”的AI系统预测菌株对一线和二线药物的耐药性分别具有94％和90％的准确率，而统计模型预测菌株对一线药物的耐药性具有94％的预测准确率，对二线药物预测准确率达88％。两种模型都能够在0.1秒内预测菌株对一线和二线治疗的耐药性，而“wide-and-deep”模型显示出预测极其罕见的基因突变影响的能力。

研究人员声称，如果将这些模型纳入临床试验，可以使药物耐药性检测更快，更准确。“我们的模型强调了人工智能在结核病中的作用，但其重要性远远超过了结核病。AI通过快速合成大量数据来帮助指导临床决策，以帮助临床医生在许多情况和其他疾病中做出最明智的决策。”

据雷锋网了解，该研究得到了美国国立卫生研究院BD2K（授予K01 ES026835）的支持。