Modelos de aprendizaje automático basados en transcriptoma para predecir la resistencia a los antimicrobianos en...

Área de la Ciencia:

• Microbiología
• Genómica
• Biología Computacional

Sus antecedentes:

• La resistencia a los antimicrobianos (RAM) representa una amenaza significativa para la salud mundial, lo que requiere métodos de detección avanzados.
• Pseudomonas aeruginosa es un patógeno clave conocido por su adaptabilidad y contribución a la resistencia a múltiples fármacos.

Objetivo del estudio:

• Evaluar la eficacia de los modelos de aprendizaje automático (ML) basados en transcriptoma en la predicción de la RAM en P. aeruginosa.
• Identificar firmas de expresión génica asociadas con fenotipos de resistencia a antibióticos.

Principales métodos:

• Se analizaron perfiles transcriptómicos de 414 aislados clínicos de P. aeruginosa.
• Se emplearon algoritmos de ML para predecir la resistencia a ceftazidima, ciprofloxacina, meropenem y tobramicina.
• Se identificaron firmas transcriptómicas distintas y compartidas para cada antibiótico.

Principales resultados:

• Los modelos de ML demostraron una alta precisión predictiva para la RAM, y el modelo de tobramicina alcanzó una precisión del 98,8% y una sensibilidad del 100%.
• Se enriquecieron vías específicas como la formación de biopelículas, el transporte de membrana y la virulencia en los aislados resistentes.
• Un conjunto central de 10 genes y 10 ARNm se desreguló consistentemente en todos los antibióticos probados, lo que indica mecanismos de resistencia compartidos.

Conclusiones:

• Las firmas basadas en transcriptoma muestran potencial para desarrollar ensayos de diagnóstico guiados por mecanismos para la RAM en P. aeruginosa.
• Los modelos de ML basados en transcriptoma son herramientas eficaces para predecir la resistencia a los antimicrobianos.
• Se recomienda una mayor validación en cohortes independientes.