强化学习为最佳治疗策略提供信息,以限制抗生素耐药性

科学领域:

• 进化生物学是进化的生物学.
• 计算生物学是一种计算生物学.
• 人工智能的人工智能是人工智能.

背景情况:

• 抗菌素耐药性 (AMR) 是一个主要的全球健康威胁,与每年数百万人死亡有关.
• 由于反机制和未知的系统动态,控制AMR演变是复杂的.
• 以前的控制策略通常需要精确了解系统参数,从而限制了临床适用性.

研究的目的:

• 开发和评估一种强化学习 (RL) 方法,以优化抗生素循环政策,以打击抗菌素耐药性.
• 为了证明RL在学习有效的药物循环策略中的有效性,即使有噪音,有限或延迟的测量.
• 评估基于RL的控制在复杂,高维的健身场景中的可扩展性.

主要方法:

• 利用强化学习 (RL) 框架来学习毒品循环政策.
• 模拟的细菌种群 (大肠杆菌) 与经验测量的健身景观.
• 在治疗模拟中使用了15种β-乳糖抗生素的小组.
• 引入了随机噪声来测量人口的健康状况,以测试强度.
• 扩展模拟到任意的健身景观,最多有1024个基因型.

主要成果:

• 随着时间的推移,RL药物在最小化人口健康方面显著超过了天真治疗范式.
• 劳动力政策接近了理论上最佳的药物循环策略的表现.
• 即使在杂的测量条件下,RL剂也有效控制了人口增长率.
• 随着基因组复杂性的增加 (多达1,024个基因型),RL控制的有效性并没有下降.

结论:

• 强化学习提供了一个强大的框架来控制复杂的进化过程,如抗菌素耐药性.
• 人工智能驱动的适应性治疗策略显示出临床转化管理药物耐药性的前景.
• 这项研究展示了使用人工智能优化抗微生物治疗方案和减轻耐药性演变的概念证明.