IA aide les scientifiques à prédire la résistance aux antibiotiques de l'E. coli dans un contexte agricole

L'IA aide les scientifiques à prédire la résistance aux antibiotiques de l'E. coli dans les environnements agricoles L’Escherichia coli (E. coli) est une bactérie courante vivant dans les intestins des animaux et des humains. Elle est souvent utilisée pour identifier la contamination fæcale dans l’environnement. L’E. coli peut également facilement développer une résistance aux antibiotiques, ce qui la rend idéale pour l'étude de la résistance aux antimicrobiens, particulièrement dans certains environnements agricoles où les matières fæcales sont utilisées comme engrais ou où les eaux usées sont réutilisées. Les méthodes traditionnelles de laboratoire pour analyser la résistance aux antimicrobiens sont souvent chronophages et fastidieuses, ce qui rend leur utilisation impraticable pour un suivi à grande échelle. Par conséquent, les chercheurs explorent des approches plus rapides, notamment le séquençage complet du génome (WGS) et les modèles prédictifs utilisant l'intelligence artificielle (IA). Marco Christopher Lopez et Dr. Pierangeli Vital de l'Institut de Recherche en Sciences Naturelles du Collège des Sciences de l’Université des Philippines–Diliman (UPD-CS NSRI), en collaboration avec Dr. Joseph Ryan Lansangan de l’École de Statistique de l’UPD, ont examiné divers modèles de prédiction IA pour déterminer la résistance aux antibiotiques de l’E. coli. Ils se sont basés sur des données génétiques et des résultats de tests de laboratoire provenant de la base de données du Centre National pour l'Information en Biotechnologie (NCBI). "Nous avons sélectionné les modèles en fonction de leurs capacités à traiter les données biologiques et d'échantillons déséquilibrés," a expliqué Dr. Vital. "Ces modèles ont été choisis pour comparer leur performance selon différentes stratégies d'apprentissage et pour identifier lequel convient le mieux à la prédiction de la résistance aux antibiotiques." La recherche a été publiée dans le Malaysian Journal of Microbiology. Les modèles d’IA utilisés incluent : - Random Forest (RF), bien adapté aux données à haute dimension ; - Support Vector Machine (SVM), excelling dans les tâches de classification, particulièrement lorsqu'il s'agit de frontières décisionnelles complexes ; - Adaptive Boosting (AB), ainsi que Extreme Gradient Boosting (XGB), deux méthodes d'ensemble qui améliorent la précision en se concentrant sur les échantillons les plus difficiles à classifier. Parmi ces modèles, RF et SVM ont montré une précision élevée pour prédire la résistance aux streptomycine et à la tétracycline. Ces modèles distinguaient efficacement les souches résistantes de celles sensibles. En revanche, la prédiction de la résistance au ciprofloxacine était la plus ardue, en raison du faible nombre d’échantillons résistants (4%) dans les données. Cela a conduit à des difficultés dans l’identification de la résistance et à une sensibilité insuffisante. AB et XGB ont constamment fourni de bons résultats, même sur des données très déséquilibrées. "Cette stratégie offre un potentiel énorme pour le suivi temps réel de la résistance aux antibiotiques, en particulier dans le secteur agricole," a souligné Dr. Vital. "Avec la diminution du coût et de la durée du séquençage ADN, nos modèles de prédiction peuvent détecter les bactéries résistantes de manière précoce—avant qu'elles ne provoquent des épidémies. Cela facilitera la prise de décisions éclairées dans les domaines de la sécurité alimentaire, de l'agriculture et de la santé publique." Les chercheurs recommandent d’inclure des types d’échantillons plus diversifiés et des sources de données variées, tels que les données métagenomiques—l’ADN provenant de toutes les bactéries présentes dans un échantillon—pour améliorer la compréhension et la prédiction de la façon dont les bactéries acquièrent une résistance aux antibiotiques. Dr. Vital a également mis en avant la valeur de la collaboration interdisciplinaire. "Notre étude illustre parfaitement comment la collaboration entre microbiologistes et statisticiens peut avoir un impact significatif, dans ce cas sur la sécurité alimentaire et agricole," a-t-elle ajouté. "L’intégration des concepts microbiologiques dans la statisque et les modèles prédictifs est essentielle pour obtenir des résultats bénéfiques pour la communauté." Pour plus d'informations, consulter l'article : Lopez, M. C. D. P., et al. Prediction models for antimicrobial resistance of Escherichia coli in an agricultural setting around Metro Manila, Philippines. Malaysian Journal of Microbiology (2025). DOI: 10.21161/mjm.240650.