根据美国疾病控制和预防中心资料，结核病是世上最致命的疾病之一，2017 年有近 1 千万人感染，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，能对某些药物产生抗药性而难以定位。
这些新感染的病例中，有 4% 至少对两种药物有抗药性，这种疾病称为多重抗药结核菌（MDR-TB）。另外，十分之一的人表现出对多种药物的广泛抗药，即所谓的广泛抗药结核病（XDR-TB）。如果患者确定感染就需给予一线药物，如果患者表现出抗药性症状或侦测表明该菌株不受一线治疗影响，则增加二线治疗。
哈佛医学院 Blavatnik 研究所的研究人员设计了一种算法，能侦测出治疗前对常用结核病药物的抗药性。实验成功在 0.1 秒内准确预测结核菌株对 10 种一线和二线药物的抗药性，且比类似模型的预测精准度更高。
此方法发表在《EBioMedicine》期刊，并将加至哈佛医学院（Harvard Medical School）的 genTB 工具，genTB 工具用于分析结核病资料并预测结核病抗药性。
哈佛医学院的进阶研究作者兼生物医学资讯学助理教授 Maha Farhat 声明：“抗药形式的结核病很难被发现、难以治疗，且代表患者的预后效果不好。因此，诊断时快速侦测出完整的抗药性能力，对改善个体患者的预后、减少传染他人至关重要。”
使药物抗药性侦测更快更准确
Farhat 进一步解释，药物敏感性侦测装置在发展中国家很难获得，即使在装备精良的实验室，也需要数周才能验证结果。而扫描 DNA 样本搜寻抗药基因的新侦测方法也有局限性，主要是无法发现多种药物的抗药或侦测出罕见导致抗药的基因变异。
至于全基因组测序测试，在侦测二线药物抗药性方面表现不佳。
相比之下，研究人员的方法利用机器学习算法捕捉多种突变的影响。包含两个模型：一个统计模型和一个“wide-and-deep”系统，后者将每个突变当作一个变数，变数要么产生抗药性，要么没有。
“我们的目标是开发一个神经网络模型，这种模型与大脑神经元之间的连线形成方式大致相似，”研究第一作者 Michael Chen 说。“神经网络将两种形式的机器学习相互交叉，以辨识基因变异对菌株抗药性的综合影响”。
这两个人工智能系统培训 3601 株抗一线和二线药物的结核菌株，其中 1,228 株抗多药菌株。为了在现实环境测试效能，这些模型要预测 792 个未“见过”的完全测序结核病基因组的抗药性。
“wide-and-deep”的 AI 系统预测菌株对一线和二线药物的抗药性分别具 94% 和 90% 准确率，而统计模型预测菌株对一线药物的抗药性有 94% 预测准确率，对二线药物预测准确率达 88%。两种模型都能在 0.1 秒内预测菌株对一线和二线治疗的抗药性，而“wide-and-deep”模型显示出预测极其罕见的基因突变影响能力。
研究人员称，如果将这些模型纳入临床试验，可使药物抗药性侦测更快更准确。“我们的模型强调人工智能在结核病的作用，但重要性远远超过结核病。AI 透过快速合成大量资料指导临床决策，以帮助临床医生在许多情况和其他疾病做出最明智的决策。”
据了解，此研究得到美国国立卫生研究院 BD2K（授予 K01 ES026835）的支援。
- Got Resistance?
（本文由 雷锋网 授权转载；首图来源：shutterstock）
延伸阅读：
- 哈佛大学医学院开发人工智能系统，可侦测致癌基因缺陷
- 耳念珠菌全球蔓延，美国 587 病例近半 90 天内不治
- 长久以来过度使用抗生素的习惯，让超级细菌成为现代医学挑战
