Wetenschappers hebben machinaal leren gebruikt om nieuwe manieren te vinden om ziekten in pluimveebedrijven te identificeren en op te sporen, wat zal helpen om de noodzaak van antibioticabehandeling te verminderen, waardoor het risico op overdracht van antibioticaresistentie naar menselijke populaties wordt verminderd.

De studie, gepubliceerd in The ISME Journal , werd geleid door Dr. Tania Dottorini van de School of Veterinary Medicine and Science and Future Food Beacon aan de Universiteit van Nottingham.

De snelle toename van de pluimveeproductie om aan de groeiende vraag in China te voldoen, heeft geleid tot een uitgebreid en willekeurig gebruik van antibiotica. Dit heeft geleid tot een zorgwekkende toename van gevallen van antimicrobiële resistentie (AMR) gediagnosticeerd bij dieren, die zich mogelijk op mensen zou kunnen verspreiden via direct contact, milieuverontreiniging en voedselconsumptie.

Nu antibioticaresistentie een van de meest bedreigende problemen wereldwijd is, kan een effectieve en snelle diagnostiek van bacteriële infecties in de kippenhouderij de behoefte aan antibiotica verminderen, wat epidemieën en AMR zal verminderen.

In dit project verzamelden onderzoekers in Nottingham monsters van de dieren, de mens en de omgeving op een Chinese boerderij en het daarmee verbonden slachthuis. Deze complexe "grote" gegevens zijn nu geanalyseerd voor nieuwe diagnostische biomarkers die bacteriële infectie, het optreden van AMR en overdracht naar mensen zullen voorspellen en detecteren. Met deze gegevens kan vervolgens vroegtijdig worden ingegrepen en behandeld, waardoor de verspreiding en de noodzaak van antibiotica worden verminderd.

Het onderzoek leverde drie belangrijke bevindingen op. Ten eerste werden verschillende vergelijkbare klinisch relevante antimicrobiële resistentiegenen (ARG's) en bijbehorende mobiele genetische elementen (antibioticaresistentiegenen die zich binnen het genoom en tussen bacteriën kunnen verplaatsen) gevonden in zowel menselijke als vleeskuikenstalen. In het bijzonder werden elf soorten klinisch belangrijke antibioticaresistentiegenen met geconserveerde mobiele ARG-genstructuren gevonden tussen monsters van verschillende gastheren.

Dr. Dottorini zei:"Deze overeenkomsten zouden gemist zijn als we alleen grootschalige conventionele vergelijkende analyses hadden gebruikt, die in feite aantoonden dat microbioom en resistomen verschillen tussen omgevingen en gastheren. Over het algemeen suggereert deze bevinding de relevantie van het aannemen van een multi-schaal analyse bij het ontleden van overeenkomsten en verschillen van resistomen en microbiomen in complexe onderling verbonden omgevingen."

Ten tweede toonde de studie aan dat het team door het ontwikkelen van een door machine learning aangedreven benadering die metagenomica-gegevens integreert met op cultuur gebaseerde methoden, het bestaan ​​​​vond van een kernweerstand van de kippendarm die gecorreleerd is met de AMR die in de boerderijen circuleert. Deze resultaten ondersteunden de hypothese dat er correlaties bestaan ​​tussen resistentiefenotypen van individuele commensale en pathogene bacteriën en de typen ARG's in het resistoom waarin ze voorkomen.

Ten slotte ontdekte het team met behulp van detectietechnologie en machine learning dat de AMR-gerelateerde kernweerstanden zelf worden geassocieerd met verschillende externe factoren zoals temperatuur en vochtigheid.

Dr. Dottorini zei:"De voedselproductie-industrie vertegenwoordigt een grote consument van antibiotica, maar de AMR-risico's in deze omgevingen zijn nog steeds niet volledig begrepen. Het is daarom van cruciaal belang om studies en verbeterde methoden op te zetten die zijn geoptimaliseerd voor deze omgevingen waar dieren en mensen mogelijk Wees in nauw contact. Precisielandbouw, kosteneffectieve DNA-sequencing en de toegenomen acceptatie van machine learning-technologieën bieden de mogelijkheid om methoden te ontwikkelen die AMR-risico's in landbouwomgevingen beter begrijpen en kwantificeren." + Verder verkennen

Machine learning identificeert antibioticaresistente bacteriën die zich kunnen verspreiden tussen dieren, mensen en omgeving