Forskere bruger maskinlæring til at hjælpe med at bekæmpe antibiotikaresistens hos opdrættede kyllinger

Forskere har brugt maskinlæring til at finde nye måder at identificere og lokalisere sygdom i fjerkræbedrifter, hvilket vil bidrage til at reducere behovet for antibiotikabehandling og mindske risikoen for, at antibiotikaresistens overføres til menneskelige populationer.

Undersøgelsen, offentliggjort i The ISME Journal , blev ledet af Dr. Tania Dottorini fra School of Veterinary Medicine and Science og Future Food Beacon ved University of Nottingham.

Den hurtige stigning i fjerkræproduktionen for at imødekomme den stigende efterspørgsel i Kina har resulteret i omfattende og vilkårlig brug af antibiotika. Dette har ført til en bekymrende stigning i tilfælde af antimikrobiel resistens (AMR) diagnosticeret hos dyr, som potentielt kan spredes til mennesker via direkte kontakt, miljøforurening og fødevareforbrug.

Med antibiotikaresistens nu et af de mest truende problemer på verdensplan, kan effektiv og hurtig diagnostik af bakteriel infektion i hønseavl reducere behovet for antibiotika, hvilket vil reducere epidemier og AMR.

I dette projekt indsamlede forskere i Nottingham prøver fra dyr, mennesker og miljø på en kinesisk gård og dets tilhørende slagteri. Disse komplekse "store" data er nu blevet analyseret for nye diagnostiske biomarkører, der vil forudsige og detektere bakteriel infektion, opstandelse af AMR og overførsel til mennesker. Disse data vil så tillade tidlig intervention og behandling, hvilket reducerer spredning og behovet for antibiotika.

Undersøgelsen gav tre nøgleresultater. For det første blev flere lignende klinisk relevante antimikrobielle resistensgener (ARG'er) og associerede mobile genetiske elementer (antibiotikaresistensgener, der er i stand til at bevæge sig inden for genomer og mellem bakterier), fundet i prøver af både mennesker og slagtekyllinger. Især blev der fundet elleve typer af klinisk vigtige antibiotikaresistensgener med bevarede mobile ARG-genstrukturer mellem prøver fra forskellige værter.

Dr. Dottorini sagde:"Disse ligheder ville være gået glip af, hvis vi kun brugte konventionel komparativ analyse i stor skala, som faktisk viste, at mikrobiom og resistomer adskiller sig på tværs af miljøer og værter. Samlet set tyder dette fund på relevansen af ​​at vedtage en multi-skala analyse ved dissekering af ligheder og forskelle mellem resistomer og mikrobiomer i komplekse indbyrdes forbundne miljøer."

For det andet viste undersøgelsen, at ved at udvikle en maskinlæringsdrevet tilgang, der integrerer metagenomiske data med kulturbaserede metoder, fandt holdet eksistensen af ​​et kerne-kyllingetarm-resistom, der er korreleret med AMR, der cirkulerer i farmene. Disse resultater understøttede hypotesen om, at der eksisterer korrelationer mellem resistensfænotyper af individuelle kommensale og patogene bakterier og typerne af ARG'er i resistomet, hvori de eksisterer.

Endelig afslørede holdet ved hjælp af sanseteknologi og maskinlæring, at de AMR-relaterede kerneresistomer i sig selv er forbundet med forskellige eksterne faktorer såsom temperatur og fugtighed.

Dr. Dottorini sagde:"Fødevareproduktionsindustrien repræsenterer en stor forbruger af antibiotika, men AMR-risiciene i disse miljøer er stadig ikke fuldt ud forstået. Det er derfor afgørende at opstille undersøgelser og forbedrede metoder, der er optimeret til disse miljøer, hvor dyr og mennesker kan være i tæt kontakt. Præcisionslandbrug, omkostningseffektiv DNA-sekventering og den øgede anvendelse af maskinlæringsteknologier giver mulighed for at udvikle metoder, der giver en bedre forståelse og kvantificering af AMR-risici i landbrugsmiljøer." + Udforsk yderligere

Maskinlæring identificerer antibiotikaresistente bakterier, der kan spredes mellem dyr, mennesker og miljø