美國(guó)哈佛醫(yī)學(xué)院Blavatnik研究所的研究人員設(shè)計(jì)了一種能夠檢測(cè)常用結(jié)核病藥物預(yù)處理耐藥性的計(jì)算方法。在實(shí)驗(yàn)中，他們?cè)O(shè)法準(zhǔn)確地預(yù)測(cè)了結(jié)核病(TB)菌株在十分之一秒內(nèi)對(duì)10種一線和二線藥物的耐藥性，并且比類似的模型具有更高的準(zhǔn)確度。

該方法在《EBioMedicine》期刊中有所描述，并將被添加到哈佛醫(yī)學(xué)院的genTB工具中，該工具可分析結(jié)核病數(shù)據(jù)并預(yù)測(cè)結(jié)核病耐藥性。

正如Farhat和他的同事解釋的那樣，在每年確診的數(shù)百萬新結(jié)核病例中，大約4%的人對(duì)至少兩種藥物有耐藥性，十分之一的患者對(duì)多種藥物有耐藥性。藥物敏感性測(cè)試設(shè)備在發(fā)展中國(guó)家很難買到，即使在設(shè)備精良的實(shí)驗(yàn)室，測(cè)試結(jié)果也需要數(shù)周時(shí)間才能得到驗(yàn)證。掃描DNA樣本尋找耐藥基因的新檢測(cè)方法也有其局限性，主要是無法發(fā)現(xiàn)多種藥物的耐藥性或檢測(cè)出罕見的耐藥促進(jìn)基因變異體的存在。至于全基因組測(cè)序測(cè)試，它們?cè)跈z測(cè)對(duì)二線藥物的耐藥性方面往往表現(xiàn)不佳。

相比之下，研究人員的方法是利用機(jī)器學(xué)習(xí)算法來捕捉多種突變的影響。它包括兩個(gè)模型：一個(gè)統(tǒng)計(jì)模型和一個(gè)“廣泛而深入”的系統(tǒng)。這兩個(gè)人工智能系統(tǒng)接受了對(duì)一線和二線藥物耐藥的3601個(gè)TB菌株的培訓(xùn)，包括1228個(gè)多藥耐藥菌株，其結(jié)果來自藥物敏感性測(cè)試。為了測(cè)試它們的性能，論文的共同作者從792個(gè)完全測(cè)序的TB基因組的測(cè)試語料庫中提取了樣本。

“廣泛而深入”的人工智能系統(tǒng)預(yù)測(cè)對(duì)一線和二線藥物的耐藥性的準(zhǔn)確率分別為94%和90%，而統(tǒng)計(jì)模型預(yù)測(cè)對(duì)一線和二線藥物的耐藥性的準(zhǔn)確率分別為94%和88%。這兩種模型都能夠在十分之一秒內(nèi)預(yù)測(cè)一線和二線治療的耐藥性，而“廣泛而深入”的模型具有預(yù)測(cè)極罕見基因突變影響的能力。

研究人員聲稱，如果將其納入臨床試驗(yàn)，這些模型可以使藥物耐藥性檢測(cè)更快，更準(zhǔn)確。

結(jié)核病是世界上最致命的疾病之一。近年來，抗結(jié)核治療的手段不斷被更新，結(jié)核病患者的生存率也越來越高。然而，耐藥性結(jié)核很難被發(fā)現(xiàn)，很難治療。因此，在診斷時(shí)能夠迅速發(fā)現(xiàn)耐藥性的全部情況，對(duì)于改善患者的預(yù)后以及減少傳播至關(guān)重要。