La secuenciación de todo el genoma y el aprendizaje automático revelan los factores clave de la conversión tardía del...

Área de la Ciencia:

• Microbiología
• La genómica
• Biología computacional

Sus antecedentes:

• La tuberculosis resistente a la rifampicina (TB-R) representa una amenaza significativa para la salud en todo el mundo.
• El retraso en la conversión del cultivo de esputo (SCC) en pacientes con RR-TB está asociado con resultados adversos del tratamiento.
• La identificación de los determinantes del fallo del SCC es crucial para optimizar la gestión de la RR-TB.

Objetivo del estudio:

• Integrar la secuenciación de todo el genoma (WGS) y el aprendizaje automático (ML) para identificar los factores clínicos y genómicos asociados con la insuficiencia del SCC en pacientes con TB-R.
• Desarrollar un modelo predictivo para el fallo del SCC utilizando datos de WGS y clínicos.
• Orientar las estrategias de tratamiento dirigido para la RR-TB.

Principales métodos:

• Secuenciación de todo el genoma (WGS) y análisis fenotípico/genotípico de 150 pacientes con RR-TB (2019-2023).
• Aprendizaje automático (Random Forest) aplicado para identificar predictores de fallo del SCC a los 2 y 6 meses.
• Análisis de regresión logística univariada y multivariada para determinar predictores independientes.

Principales resultados:

• Se observaron altas tasas de resistencia a la isoniazida (74,0%) y mutaciones < i>rpoB (97,3%), siendo el 90% pertenecientes al linaje 2 (familia de Beijing).
• El 64,7% alcanzó CCS a los 2 meses, mientras que el 18,0% se mantuvo positivo en cultivo a los 6 meses.
• Los predictores independientes de la insuficiencia del SCC a los 2 meses incluyeron positividad de frotis y resistencia a la levofloxacina. Los modelos de ML mostraron una predicción robusta (AUC: 0,86 a los 2 meses; 0,76 a los 6 meses), destacando mutaciones específicas (por ejemplo, embB_p.Met306Ile, katG_p.Ser315Thr, gyrA_p.Asp94Gly) y factores clínicos.

Conclusiones:

• La positividad del frotis, la resistencia a la levofloxacina y las mutaciones genéticas específicas son factores críticos de la insuficiencia del SCC en la RR-TB.
• Los modelos de aprendizaje automático que integran la WGS y los datos clínicos pueden predecir eficazmente el fallo del SCC.
• Los resultados apoyan el desarrollo de estrategias de tratamiento personalizadas y específicas para la RR-TB.