Een recente studie laat zien hoe AI-tools kunnen worden gebruikt voor het decoderen van bacteriële virulentienetwerken. Veel ziekteverwekkende bacteriën gebruiken een moleculaire “injectiespuit” om een groot aantal van hun eiwitten, effectoren genaamd, in darmcellen te injecteren en zo belangrijke immuunresponsen te blokkeren.
Nu heeft een internationaal team van wetenschappers uit het VK, Israël en Spanje, met deelname van de Polytechnische Universiteit van Madrid (UPM), de krachten gebundeld om al deze eiwitmoleculen samen te analyseren, waarbij laboratoriumexperimenten en kunstmatige intelligentie (AI) -tools worden gecombineerd. .
AI kan worden gebruikt voor het decoderen van bacteriële virulentienetwerken
De auteurs, die hun studie publiceren in het tijdschrift Science, hebben 100 varianten van de muizenbacterie Citrobacter rodentium gebruikt om de functie van de effectoren te modelleren. Ze ontdekten dat ze samenwerken als een netwerk, waardoor de microbe een grote flexibiliteit heeft om het immuunsysteem te ontwijken en zijn pathogeniteit te behouden.
Het AI-platform heeft de kolonisatieresultaten van alternatieve netwerken correct voorspeld op basis van de in vivo gegevens. UPM-onderzoekers, AI-professor Alfonso Rodríguez-Patón en promovendus Elena Núñez Berrueco gebruikten de gegevens die in het laboratorium waren verzameld om het machine learning-model te bouwen.
De onderzoekers testen AI-tools
Het aantal mogelijke combinaties van effectoren is meer dan een miljard, dus het bestuderen van alle varianten zou meer dan duizend jaar experimenteel onderzoek vergen. Dat is waar AI binnenkomt om de regels te veranderen en het mogelijk te maken om dit complexe mechanisme te ontcijferen. Het bij de UPM ontwikkelde algoritme kan de infectieuze capaciteit van elke variant voorspellen na het leren van de patronen van de 100 laboratoriumexperimenten.
“Door zo’n complex biologisch systeem te bestuderen, kan de AI zien wat voor onze ogen niet duidelijk is”, legt Núñez uit. “De voorspellingen helpen ons de meest relevante combinaties van effectoren te identificeren en zo tijd en middelen te besparen. We kunnen dit model gebruiken om te voorspellen of en hoe een nieuwe stam, met een andere combinatie van effectoren dan de onderzochte, onze cellen kan manipuleren. “
Het algoritme is geïnspireerd door kunstmatige neurale netwerken, maar bevat kennis over de doelen van de effectoren. De architectuur van dit netwerk heeft een eigenaardigheid: in plaats van generiek te zijn, heeft het dezelfde vorm als het netwerk van biologische interacties van effectoren met de componenten van onze cellen. Dit heeft het mogelijk gemaakt om met een zeer klein aantal cases het netwerk te trainen, wat heeft geresulteerd in een model met interpreteerbare resultaten (zogenaamde verklaarbare AI).
Met behulp van het model konden de wetenschappers verdere experimenten richten op de meest interessante varianten. Zo hebben ze kleine groepen van deze moleculen kunnen ontdekken die essentieel zijn. Dit betekent dat, wanneer ze worden geëlimineerd of geblokkeerd, de bacteriën niet infecteren, wat een veelbelovend doelwit vormt voor toekomstige behandelingen om deze behendige indringers te helpen verslaan.
Er komen misschien nieuwe therapieën aan
In feite hebben de auteurs ook opgemerkt dat de gastmuis adaptief is, in staat is om de obstakels te omzeilen die door de verschillende effector-netwerken worden opgeworpen en complementaire immuunresponsen te activeren die de ziekteverwekker elimineren en beschermende immuniteit induceren.
Rodríguez-Patón besluit: “Kunstmatige intelligentie blijkt opnieuw een disruptieve technologie te zijn, in dit geval op het gebied van microbiologie. Dit interdisciplinaire onderzoek heeft ons gevraagd nieuwe AI-technieken te ontwikkelen om het complexe netwerk van moleculaire signalen te ontrafelen dat bacteriën gebruiken om ons te infecteren. De verkregen resultaten zijn zeer bevredigend, dus we zullen in toekomstig onderzoek blijven samenwerken met de groep van Gad Frankel – een van de hoofdauteurs van Imperial College London. “