KI hilft Wissenschaftlern bei Vorhersage von Antibiotikaresistaenz von E. coli in Landwirtschaft

Künstliche Intelligenz hilft Wissenschaftlern bei der Vorhersage von Antibiotikaresistenz von E. coli in landwirtschaftlichen Bereichen Escherichia coli (E. coli) ist ein häufig vorkommendes Bakterium, das in den Därmen von Tieren und Menschen lebt und oft zur Identifikation von Fäkalverschmutzung in der Umwelt verwendet wird. E. coli kann leicht Antibiotikaresistenz entwickeln, was es zu einem idealen Organismus für Tests auf antimikrobielle Resistenzen macht, insbesondere in landwirtschaftlichen Umgebungen, in denen Fäkalmaterial als Dünger oder Abwasser wiederverwendet wird. Die traditionellen Labormethoden zur Analyse von Antibiotikaresistenzen sind oft zeitaufwendig und personalintensiv, was sie für groß angelegte Überwachungen unpraktisch macht. Daher erforschen Forscher schnellere Ansätze, die auf ganzzellulären Genomsequenzierung (WGS) und vorhersagemodellen basieren. Marco Christopher Lopez und Dr. Pierangeli Vital vom Natural Sciences Research Institute (NSRI) der University of the Philippines–Diliman College of Science, zusammen mit Dr. Joseph Ryan Lansangan vom UPD School of Statistics, testeten verschiedene künstliche Intelligenz (KI)-Vorhersagemodelle, um die Antibiotikaresistenz von E. coli mithilfe genetischer Daten und Laborergebnissen aus der National Center for Biotechnology Information (NCBI)-Datenbank zu bestimmen. „Wir haben die Modelle nach ihren Stärken in der Verarbeitung biologischer und unbalancierter Daten ausgewählt“, erklärte Dr. Vital. „Diese Modelle wurden gewählt, um die Leistung bei unterschiedlichen Lernstrategien zu vergleichen und herauszufinden, welches am besten geeignet ist, um die Antibiotikaresistenz vorherzusagen.“ Das Forschungsergebnis wurde in der Malaysian Journal of Microbiology veröffentlicht. Die KI-Vorhersagemodelle, die verwendet wurden, waren Random Forest (RF), das gut für hochdimensionale Daten geeignet ist; Support Vector Machine (SVM), die sich besonders in Klassifizierungsaufgaben ausgezeichnet hat, insbesondere bei komplexen Entscheidungsgrenzen; sowie zwei Ensemble-Methoden—Adaptive Boosting (AB) und Extreme Gradient Boosting (XGB)—die durch den Fokus auf schwer zu klassifizierende Proben die Genauigkeit erhöhen. Diese KI-Vorhersagemodelle konnten die Resistenzen gegen Streptomycin und Tetracyclin am genauesten vorhersagen, was eine hohe Trefferquote und eine zuverlässige Unterscheidung zwischen resistenten und anfälligen Stämmen ermöglichte. Im Gegensatz dazu war Ciprofloxacin am schwierigsten vorherzusagen, da die Anzahl der resistenten Proben in den Daten nur 4% betrug, was die Identifizierung von Resistenzen erschwerte und die Sensitivität gering halten ließ. Unter den Modellen lieferten AB und XGB stets gute Ergebnisse, auch bei unbalancierten Antibiotikaresistenzdaten. „Wir glauben, dass diese Strategie großes Potenzial für die Echtzeitüberwachung von Antibiotikaresistenzen bietet, insbesondere in der Landwirtschaft“, betonte Dr. Vital und betonte das Potenzial solcher KI-Vorhersagemodelle in diesem Sektor. „Da die DNA-Sequenzierung immer schneller und kostengünstiger wird, können Vorhersagemodelle wie unsere frühzeitig resistente Bakterien identifizieren—bevor sie zu Ausbrüchen führen. Dies kann bessere Entscheidungen in der Lebensmittelsicherheit, Landwirtschaft und öffentlichen Gesundheitsprogrammen fördern.“ Die Forscher empfehlen, mehr abwechslungsreiche Probenarten und Datenquellen einzubeziehen, wie zum Beispiel Metagenomische Daten, die DNS aller Mikroben in einer Probe enthalten, um ein besseres Verständnis und eine präzisere Vorhersage darüber zu erlangen, wie Bakterien Resistenzen entwickeln. Dr. Vital betonte auch den Wert der Zusammenarbeit zwischen verschiedenen Fachgebieten, wie in dieser Studie zwischen Mikrobiologen und Statistikern. „Besonders die Integration biologischer Konzepte in die Statistik und vorhersagemodellbasierte Methoden kann zu einem bedeutenden Ergebnis für die Gemeinschaft führen, in diesem Fall für die Sicherheit landwirtschaftlicher Lebensmittel“, sagte sie. Die Verwendung von KI-Vorhersagemodellen in der Landwirtschaft könnte die Frühwarnungssysteme verbessern und somit entscheidend zur Verringerung von Antibiotikaresistenzen beitragen. Die University of the Philippines–Diliman setzt sich dadurch für die Innovation in der Lebensmittel- und Agrarwissenschaft ein, was langfristig positive Auswirkungen auf die öffentliche Gesundheit haben könnte. Die Studie unterstreicht die Bedeutung von interdisziplinärer Zusammenarbeit und zeigt, wie moderne Technologien in traditionellen Bereichen eingesetzt werden können, um globale Herausforderungen zu meistern.