La resistencia de las bacterias a los antibióticos, a prueba de 'Deep learning'

La resistencia bacteriana a los antibióticos se ha perfilado como un problema de salud pública a escala mundial que preocupa también en las misiones al espacio exterior. Especialmente en un contexto en el que se prevé un aumento significativo de las citadas expediciones, por lo que garantizar la salud de los astronautas es crucial. Al mismo tiempo, los experimentos en el espacio han registrado un aumento tanto en el daño que causan los microorganismos como en su resistencia a los antibióticos, que en combinación con una respuesta inmunitaria deprimida o alterada de los astronautas, hace que exista un mayor riesgo de infección microbiana en las misiones espaciales.

Con el objetivo de entender cómo afectan la diversidad microbiana propia de la Estación Espacial Internacional y su daño a los vuelos espaciales, así como ayudar a los investigadores y astronautas a abordar el riesgo de infección y resistencia a antibióticos, los investigadores se han apoyado en el aprendizaje automático. Esta es la rama de la inteligencia artificial dedicada a automatizar parte del método científico, en el cual las computadoras observan datos para construir un modelo basado en ellos y utilizar a la vez este modelo como una hipótesis a validar que aporte una solución a problemas complejos.

Sobre la investigación

Este estudio se ha realizado en el marco del máster en Investigación en Inteligencia Artificial que cursa Pedro Madrigal, doctor en bioinformática por la Universidad de Adam Mickiewicz en Poznan, Polonia, y que actualmente trabaja en la universidad de Cambridge, Reino Unido. Han sido los profesores del departamento de Inteligencia Artificial de la UNED, Elena Gaudioso y Félix Hernández del Olmo, junto con Afshin Beheshti, investigador en NASA Ames Research Center, quienes han ostentado la batuta de mando. Entre sus labores cabe destacar la supervisión de la formulación de los algoritmos de Deep learning que se han utilizado, su aplicación a los datos proporcionados por las instituciones integrantes del proyecto y la validación de los resultados obtenidos.

El objetivo en este proyecto era analizar secuencias de datos provenientes del proyecto Microbial Tracking-1 (MT-1), con muestras de microbios procedentes de ocho localizaciones de la Estación Espacial Internacional durante tres de sus vuelos con vistas a predecir los genes de resistencia a los antibióticos a partir de estos datos. Las técnicas de secuenciación actuales permiten el acceso directo y la creación de perfiles del grupo total de ADN metagenómico, donde los genes responsables de la resistencia a los antibióticos (conocidos como ARG) generalmente se identifican o predicen en función de los "mejores resultados" de las búsquedas de secuencias en las bases de datos existentes. Desafortunadamente, este enfoque produce una alta tasa de falsos negativos. Con el fin de evitarlo, se ha utilizado un enfoque de aprendizaje profundo supervisado: DeepARG. En concreto, se utilizaron los modelos de aprendizaje profundo eepARG-SS y DeepARG-LS para secuencias de lectura corta y secuencias de longitud completa del gen. Se demostró así una alta sensibilidad para la detección de genes de resistencia a los antibióticos.

Los resultados del último vuelo revelaron el dominio genes resistentes a antibióticos de Kalamiella piersonii, una bacteria relacionada con la infección del tracto urinario en humanos. En el análisis de 226 cepas puras aisladas del proyecto MT-1 se detectaron cientos de genes de resistencia a antibióticos, incluidas dos especies de alto rango que correspondían a cepas de Enterobacter bugandensis y Bacillus cereus. Las predicciones computacionales fueron validadas experimentalmente por perfiles de resistencia a antibióticos en estas dos especies, mostrando un alto grado de concordancia. Específicamente, los datos del ensayo de disco que confirmaron la alta resistencia de estos dos patógenos a varios antibióticos betalactámicos, que son el grupo de antibióticos más comunes.

Extrapolable al nivel del suelo

Esta metodología ha sido aplicada en el espacio, pero sería también extrapolable al microbioma en la tierra, donde se podrían predecir también los genes de resistencia a los antibióticos a partir de datos obtenidos del microbioma ambiental de diferentes lugares. En este escenario, siempre que se utiliza el Deep learning, es esencial disponer de gran cantidad de datos para construir buenos modelos que den lugar a predicciones precisas. Contar con predicciones precisas contribuye a acotar la cantidad de genes que van a estudiar los investigadores, ayudando a dimensionar las necesidades de las investigaciones.