[論文レビュー] Rapid, antibiotic incubation-free determination of tuberculosis drug resistance using machine learning and Raman spectroscopy

Babatunde Ogunlade, Loza F. Tadesse+7 more|arXiv (Cornell University)|Jun 9, 2023

Spectroscopy Techniques in Biomedical and Chemical Research被引用数 4

ひとこと要約

本研究では、ラマン分光法と機械学習を用いて、培養や抗菌薬のインキュベーションを要しない、迅速で文化的な手法による結核菌の耐性検出を提示する。マヨベラリア・ツェルビエイウム複合体菌株、ならびに耐性を示すBCG突然変異株の単一〜数細胞分のラマンスペクトルを分析することで、乾燥試料では98%を超える正確性を達成し、患者の喀痰では約79%の正確性を示す。低価格のポータブルデバイスを用いることで、資源が限られた地域におけるポイント・オブ・ケア診断が可能となる。

ABSTRACT

Tuberculosis (TB) is the world's deadliest infectious disease, with over 1.5 million deaths annually and 10 million new cases reported each year. The causative organism, Mycobacterium tuberculosis (Mtb) can take nearly 40 days to culture, a required step to determine the pathogen's antibiotic susceptibility. Both rapid identification of Mtb and rapid antibiotic susceptibility testing (AST) are essential for effective patient treatment and combating antimicrobial resistance. Here, we demonstrate a rapid, culture-free, and antibiotic incubation-free drug susceptibility test for TB using Raman spectroscopy and machine learning. We collect few-to-single-cell Raman spectra from over 25,000 cells of the MtB complex strain Bacillus Calmette Guerin (BCG) resistant to one of the four mainstay anti-TB drugs, isoniazid, rifampicin, moxifloxacin and amikacin, as well as a pan susceptible wildtype strain. By training a neural network on this data, we classify the antibiotic resistance profile of each strain, both on dried samples and in patient sputum samples. On dried samples, we achieve >98% resistant versus susceptible classification accuracy across all 5 BCG strains. In patient sputum samples, we achieve ~79% average classification accuracy. We develop a feature recognition algorithm in order to verify that our machine learning model is using biologically relevant spectral features to assess the resistance profiles of our mycobacterial strains. Finally, we demonstrate how this approach can be deployed in resource-limited settings by developing a low-cost, portable Raman microscope that costs <$5000. We show how this instrument and our machine learning model enables combined microscopy and spectroscopy for accurate few-to-single-cell drug susceptibility testing of BCG.

研究の動機と目的

• マヨベラリア・ツェルビエイウムにおける耐性の迅速な検出を可能にする、文化的でなく、抗菌薬のインキュベーションを要しない方法の開発。
• 5,000ドル未満の低コストでポータブルなラマン顕微鏡を設計・開発することで、資源が限られた地域におけるポイント・オブ・ケア診断を可能にする。
• 単一細胞のラマンスペクトルを用いた機械学習によるマヨベラリア・ツェルビエイウム複合体菌株の耐性プロファイルの分類。
• 乾燥細菌試料および臨床的喀痰標本の両方で、この手法の有効性を検証すること。
• 特徴認識アルゴリズムを用いて、機械学習モデルがノイズやアーチファクトではなく生物学的に意味のあるスペクトル特徴に依存していることを保証すること。

提案手法

• 5種のBCG株（ワイルドタイプの全感受性株とイソニアチド、リファンピシン、モキシフロキサシン、アミカシン耐性株）から、25,000個以上の細胞の少数〜単一細胞分のラマンスペクトルを収集する。
• 4種の主要な抗結核薬に対する耐性・感受性を分類するために、ラマンスペクトルデータを用いて深層ニューラルネットワークをトレーニングする。
• 実用的応用性を評価するために、乾燥細菌試料および患者の喀痰試料の両方でモデルを評価する。
• モデルがノイズやアーチファクトではなく生物学的に意味のあるスペクトル特徴に依存していることを確認するため、特徴認識アルゴリズムを開発する。
• 現場での展開を想定し、5,000ドル未満の低コストでポータブルなラマン顕微鏡を設計・製作する。
• 顕微鏡法と分光法の機能を統合することで、細菌培養や抗菌薬のインキュベーションを要せず、正確な少数〜単一細胞分の薬剤感受性試験を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ラマン分光法と機械学習を組み合わせることで、文化的でなく、抗菌薬のインキュベーションを要しない、結核菌耐性の迅速な検出が可能になるか？
• RQ2 機械学習モデルの分類正確性は、乾燥細菌試料と臨床的喀痰試料の両方でどの程度か？
• RQ3 機械学習モデルは、偶然の相関ではなく、生物学的に意味のあるスペクトル特徴に依存しているか？
• RQ4 低コストでポータブルなラマン顕微鏡は、資源が限られた地域におけるポイント・オブ・ケア診断のための結核菌感受性試験に効果的に展開可能か？
• RQ5 この手法の性能は、異なる抗結核薬や耐性プロファイルによってどのように変化するか？

主な発見

• 機械学習モデルは、5種のBCG株すべてにおいて、乾燥試料で耐性株と感受性株を分類する際、98%を超える正確性を達成した。
• 患者の喀痰試料では、モデルの平均分類正確性は約79%であった。
• 特徴認識アルゴリズムにより、モデルが細胞壁や代謝の変化に関連する生物学的に意味のあるスペクトル特徴を用いて耐性を決定していることが確認された。
• 本研究で開発されたポータブルラマン顕微鏡のコストは5,000ドル未満であり、低資源の臨床現場への導入が可能である。
• 本手法により、細菌培養や抗菌薬のインキュベーションを要せず、正確な少数〜単一細胞分の薬剤感受性試験が、顕微鏡法と分光法を統合することで可能となった。
• 本アプローチは、従来法と比較して大幅に所要時間を短縮できるため、迅速なポイント・オブ・ケア結核耐性検査の実現可能性が示された。