\n\t\t\tFachleute nutzen zunehmend maschinelles Lernen zur Vorhersage von Antibiotika-Resistenzen. Die Ergebnisse sind mit Vorsicht zu genie\u00dfen, wie eine neue Studie des HIRI zeigt.\n\t\t<\/p>\n
Antibiotikaresistente Infektionen stellen eine immer gr\u00f6\u00dfer werdende Bedrohung dar. Anstatt Bakterien klassisch zu kultivieren und ihre Reaktion auf Antibiotika zu testen, analysieren Labore zunehmend das bakterielle Erbgut, um fr\u00fchzeitig Resistenzen zu identifizieren. Aus den DNA-Sequenzen des Erregers k\u00f6nnen Forschende ableiten, \u00fcber welche Resistenzmechanismen er verf\u00fcgen k\u00f6nnte und anschlie\u00dfend wirksame Behandlungsm\u00f6glichkeiten vorschlagen.<\/p>\n
Computerprogramme, die aus vorhandenen Sequenzierungsdaten \u201elernen\u201d, sind dabei ein vielversprechender Weg, um vorherzusagen, welche Antibiotika wirken und welche nicht. Diese Technologien haben jedoch auch Defizite: Eine oft untersch\u00e4tzte Herausforderung sind die Annahmen, die die computergest\u00fctzten Methoden selbst treffen.<\/p>\n
Forschende vom W\u00fcrzburger Helmholtz-Institut f\u00fcr RNA-basierte Infektionsforschung (HIRI), konnten gemeinsam mit der University of Birmingham in Gro\u00dfbritannien nachweisen, dass genau diese Annahmen zu \u00fcberm\u00e4\u00dfig optimistischen Vorhersagen f\u00fchren. Das HIRI ist ein Standort des Braunschweiger Helmholtz-Zentrums f\u00fcr Infektionsforschung (HZI) in Kooperation mit der Julius-Maximilians-Universit\u00e4t W\u00fcrzburg (JMU).<\/p>\n
Die meisten klassischen Methoden des maschinellen Lernens \u2013 Technologien, die aus Daten lernen und ohne explizite Programmierung selbstst\u00e4ndig Muster erkennen \u2013 erfordern, dass die Trainingsdaten unabh\u00e4ngig und identisch verteilt sind. Das ist bei Bakterienproben allerdings nicht der Fall: Eng verwandte Bakterien weisen viele gemeinsame Merkmale auf. W\u00e4hrend einer Epidemie setzen sich \u201eerfolgreiche\u201d Erregervarianten schnell durch. Wenn sie sich unter anderem aufgrund ihrer Abwehrmechanismen gegen Antibiotika so rasch vermehren, verbreiten sich automatisch auch andere Merkmale \u2013 selbst, wenn diese nichts mit der Resistenz zu tun haben.<\/p>\n
Dies kann den Anschein erwecken, dass bestimmte genetische Merkmale direkt mit einer Resistenz zusammenh\u00e4ngen, obwohl sie in Wirklichkeit nur aufgrund der Verwandtschaft der Erreger gemeinsam auftreten. Die Algorithmen lernen folglich, verwandte St\u00e4mme vorherzusagen anstatt die Resistenz selbst.<\/p>\n
24.000 Genome von f\u00fcnf Bakterienarten<\/p>\n
\u201eIn diesem Projekt haben wir mehr als 24.000 Genome, also die Gesamtheit aller Erbinformationen, von f\u00fcnf bedeutenden krankheitsverursachenden Bakterienarten analysiert\u201c, sagt Lars Barquist. Er ist ein mit dem HIRI assoziierter Wissenschaftler und Professor an der University of Toronto in Kanada. Barquist hat die Studie, die in PLOS Biology ver\u00f6ffentlicht wurde, als korrespondierender Autor initiiert. Bei den untersuchten Bakterienarten handelt es sich um den Magen-Darm- und Harnwegserreger Escherichia coli, den opportunistischen Erreger Klebsiella pneumoniae, den Magen-Darm-Keim Salmonella enterica, den Hautkommensalen und opportunistischen Erreger Staphylococcus aureus sowie den Hauptverursacher der au\u00dferhalb des Krankenhauses erworbenen Lungenentz\u00fcndung, Streptococcus pneumoniae. F\u00fcr diese Keime liefern g\u00e4ngige maschinelle Lernverfahren ein \u00fcberm\u00e4\u00dfig positives Bild davon, wie gut die Resistenzvorhersage funktioniert.<\/p>\n
\u201eWir wollten untersuchen, wie sich die verzerrte Stichprobenauswahl auf die Leistungsf\u00e4higkeit von Machine-Learning-Tools zur Vorhersage von Resistenzen auswirkt\u201c, so Barquist. Die Forschenden konstruierten Szenarien, in denen Resistenzen mit bakteriellen Stammb\u00e4umen verkn\u00fcpft sind. Sie konnten zeigen, dass herk\u00f6mmliche Ans\u00e4tze zu \u00fcberoptimistischen Ergebnissen f\u00fchren k\u00f6nnen, die nicht verallgemeinerbar sind. \u201eWenn die Modelle realistischer bewertet werden, indem sichergestellt wird, dass die Trainings- und Testbakterien nicht aus derselben genetischen Familie stammen, sinkt die Genauigkeit \u2013 manchmal sogar drastisch\u201c, bemerkt Erstautorin Yanying Yu, die im Labor von Lars Barquist promoviert hat.<\/p>\n
Modelle lassen evolution\u00e4re Beziehungen zwischen Bakterien au\u00dfer Acht<\/p>\n
Diese Ergebnisse deuten darauf hin, dass Modelle, welche die evolution\u00e4ren Beziehungen zwischen Bakterien au\u00dfer Acht lassen, m\u00f6glicherweise nicht in der Lage sind, echte Resistenzsignale zu erfassen. Dadurch wird ihre F\u00e4higkeit eingeschr\u00e4nkt, genaue Vorhersagen f\u00fcr bisher unbekannte Abstammungslinien zu treffen. Infolgedessen ist es unwahrscheinlich, dass solche Methoden zuverl\u00e4ssige Anhaltspunkte f\u00fcr eine pr\u00e4zise Behandlung liefern, wenn neue pathogene St\u00e4mme auftreten.<\/p>\n
Die Studie vermittelt einen umfassenden Eindruck vom Ausma\u00df dieses Problems: \u201eViele der bisherigen Methoden-Bewertungen waren wahrscheinlich zu optimistisch\u201c, schlussfolgert Barquist. \u201eUm zuverl\u00e4ssige Instrumente zur Vorhersage von Antibiotikaresistenzen zu entwickeln, ist es unerl\u00e4sslich, die evolution\u00e4ren Beziehungen der Bakterien zu ber\u00fccksichtigen\u201c, bemerkt Yu.<\/p>\n
Die Forschungsergebnisse bieten wertvolle Ansatzpunkte f\u00fcr die Entwicklung verbesserter Testverfahren und Datens\u00e4tze und k\u00f6nnen als Orientierung f\u00fcr zuk\u00fcnftige Modelle und \u00dcberwachungssysteme dienen. Damit erm\u00f6glichen sie neue methodische Ans\u00e4tze, die die Struktur von Bakterienpopulationen ber\u00fccksichtigen und somit pr\u00e4zisere Vorhersagen erlauben.<\/p>\n
F\u00f6rderung<\/p>\n
Die Studie wurde aus Mitteln des Bayerischen Staatsministeriums f\u00fcr Wissenschaft und Kunst im Rahmen des Forschungsnetzwerks bayresq.net und des kanadischen Natural Sciences and Engineering Research Council gef\u00f6rdert.<\/p>\n
Originalpublikation<\/p>\n
Yu Y, Wheeler NE, Barquist L. Biased sampling driven by bacterial population structure confounds machine learning prediction of antimicrobial resistance. PLOS Biology (2025), DOI: 10.1371\/journal.pbio.3003539<\/a><\/p>\n Helmholtz-Institut f\u00fcr RNA-basierte Infektionsforschung<\/p>\n Das Helmholtz-Institut f\u00fcr RNA-basierte Infektionsforschung ist die weltweit erste Einrichtung ihrer Art, die die Forschung an Ribonukleins\u00e4uren (RNA) mit der Infektionsbiologie vereint. Auf Basis neuer Erkenntnisse aus seinem starken Grundlagenforschungsprogramm will das Institut innovative therapeutische Ans\u00e4tze entwickeln, um menschliche Infektionen besser diagnostizieren und behandeln zu k\u00f6nnen. Das HIRI ist ein Standort des Braunschweiger Helmholtz-Zentrums f\u00fcr Infektionsforschung in Kooperation mit der JMU und befindet sich auf dem W\u00fcrzburger Medizin-Campus. Weitere Informationen unter www.helmholtz-hiri.de<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"Fachleute nutzen zunehmend maschinelles Lernen zur Vorhersage von Antibiotika-Resistenzen. Die Ergebnisse sind mit Vorsicht zu genie\u00dfen, wie eine…\n","protected":false},"author":2,"featured_media":655344,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[137],"tags":[37396,29,30,141,232,153481,671,153480],"class_list":{"0":"post-655343","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-gesundheit","8":"tag-antibiotikaresistenz","9":"tag-deutschland","10":"tag-germany","11":"tag-gesundheit","12":"tag-health","13":"tag-hiri","14":"tag-ki","15":"tag-vorhersagen"},"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@de\/115741155983101668","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/posts\/655343","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/comments?post=655343"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/posts\/655343\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/media\/655344"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/media?parent=655343"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/categories?post=655343"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/tags?post=655343"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}