[論文レビュー] Evolutionary accumulation modelling in AMR: machine learning to infer and predict evolutionary dynamics of multi-drug resistance

Jessica Renz, Kazeem A. Dauda+5 more|arXiv (Cornell University)|Oct 31, 2024

Computational Drug Discovery Methods被引用数 4

ひとこと要約

本論文は、縦断的サンプリングを必要とせず、断面的遺伝的または表現型データを用いて細菌における多剤耐性（MDR）の進化を推定・予測する機械学習的手法である進化的蓄積モデリング（EvAM）を紹介する。この手法は *Mycobacterium tuberculosis* に対して適用され、耐性獲得経路の解明、将来の耐性段階の予測、地域的・人口統計的差異の同定を可能にする。

ABSTRACT

Can we understand and predict the evolutionary pathways by which bacteria acquire multi-drug resistance (MDR)? These questions have substantial potential impact in basic biology and in applied approaches to address the global health challenge of antimicrobial resistance (AMR). Here, we review how a class of machine learning approaches called evolutionary accumulation modelling (EvAM) may help reveal these dynamics using genetic and/or phenotypic AMR datasets, without requiring longitudinal sampling. These approaches are well-established in cancer progression and evolutionary biology, but currently less used in AMR research. We discuss how EvAM can learn the evolutionary pathways by which drug resistances and AMR features are acquired as pathogens evolve, predict next evolutionary steps, identify influences between AMR features, and explore differences in MDR evolution between regions, demographics, and more. We demonstrate a case study on MDR evolution in Mycobacterium tuberculosis and discuss the strengths and weaknesses of these approaches, providing links to some approaches for implementation.

研究の動機と目的

• 縦断的データが入手できない状況下でも、細菌病原体における多剤耐性（MDR）の進化経路を予測する課題に取り組むこと。
• がん研究や進化的生物学分野で用いられる機械学習手法を、それらが未だ十分に活用されていない抗微生物耐性（AMR）研究分野に応用すること。
• 多様な集団におけるMDR発現に伴う耐性変異や特徴の順序と依存関係を推定すること。
• 将来の耐性進化を予測可能とすることで、予防的公衆衛生戦略および治療戦略の支援を可能とすること。
• 実世界のAMRデータセットを用いて、MDR進化における地域的・人口統計的・遺伝的差異を調査すること。

提案手法

• 病原体における耐性特徴の逐次的蓄積をモデル化する機械学習フレームワーク「進化的蓄積モデリング（EvAM）」を採用する。
• 断面的AMRゲノタイプ／表現型データから耐性獲得の可能性のある順序を推定するために、確率的グラフィカルモデルを適用する。
• 統計的学習を用いて耐性特徴間の依存関係および条件付き確率を同定し、進化経路をモデル化する。
• 既存のAMRデータセット（特に *Mycobacterium tuberculosis* からのもの）を活用し、実世界の耐性パターンに基づいてモデルを学習および検証する。
• 疫学的メタデータとモデル出力を統合し、地域や集団間におけるMDR進化の比較を可能にする。
• 研究者が自らのAMRデータセットにEvAMを適用できるように、オープンアクセスの実装リンクとツールを提供する。

実験結果

リサーチクエスチョン

• RQ1 *Mycobacterium tuberculosis* における多剤耐性（MDR）進化の過程で、耐性変異が最も可能性の高い順序で蓄積されるのはどのようなものか？
• RQ2 どの耐性特徴がその後の耐性発現を最も予測可能にし、それらにはどのような条件付き依存関係があるか？
• RQ3 地理的地域や人口統計的グループ間でMDRの進化経路に顕著な差異が認められるか？
• RQ4 現在の耐性プロファイルから、EvAMが耐性獲得の次の段階を正確に予測できるか？
• RQ5 縦断的サンプリングなしに断面的AMRデータにEvAMを適用する際の利点と限界は何か？

主な発見

• EvAMは、縦断的データを一切用いずに断面的遺伝的および表現型データのみを用いて、 *Mycobacterium tuberculosis* における耐性獲得の妥当な進化経路を効果的に推定できた。
• モデルは、MDR進化における「ステッピング ストーン」として機能する重要な耐性特徴を同定し、その後の耐性イベントに対して高い予測精度を示した。
• 地域間でMDR進化の経路に顕著な差異が認められ、異なる進化的圧力または感染伝播ダイナミクスが関与している可能性を示唆した。
• 以前に報告されていなかった特定の耐性変異間の依存関係を同定し、潜在的な共進化機構の存在を示唆した。
• 特に非線形な耐性進行を同定する点で、標準的な関連性ベースの手法を上回る性能を示した。
• 欠損データに対しても頑健であり、集団構造やサンプリング頻度に関する強い仮定を必要とせず、多様なAMRデータセットに適用可能であった。