[논문 리뷰] Evolutionary accumulation modelling in AMR: machine learning to infer and predict evolutionary dynamics of multi-drug resistance

Jessica Renz, Kazeem A. Dauda외 5명|arXiv (Cornell University)|2024. 10. 31.

Computational Drug Discovery Methods인용 수 4

한 줄 요약

이 논문은 종단적 샘플링이 필요 없이 횡단적 유전자 또는 표현형 데이터를 사용하여 박테리아의 다중약물내성(MDR) 진화를 추론하고 예측하는 기계학습 접근법인 진화적 누적 모델링(EvAM)을 소개한다. 이 방법은 *Mycobacterium tuberculosis*에 적용되어 내성 획득 경로를 규명하고 향후 내성 단계를 예측하며, 지역적 및 인구학적 차이를 밝혀낸다.

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.

연구 동기 및 목표

• 종단적 데이터가 없는 상황에서 박테리아 병원체의 다중약물내성(MDR) 진화 경로를 예측하는 데 도전하는 것.
• 암 및 진화 생물학 분야에서 사용되는 기계학습 기법을 항생제 내성(AMR) 연구에 적용하여, 아직 활용이 부족한 분야에 응용하는 것.
• 다양한 인구 집단에서 MDR 발달 과정에서 내성 돌연변이 또는 특징의 순서와 상관관계를 추론하는 것.
• 향후 내성 진화를 예측함으로써 사전 대응 가능한 공중보건 및 치료 전략을 지원하는 것.
• 실제 AMR 데이터셋을 활용해 지역, 인구학적, 유전적 요소의 차이가 MDR 진화에 어떻게 영향을 미치는지 탐구하는 것.

제안 방법

• 병원체 내 내성 특성의 순차적 축적을 모델링하는 기계학습 프레임워크인 진화적 누적 모델링(EvAM)을 사용한다.
• 횡단적 AMR 유전자형/표현형 데이터로부터 내성 획득의 가능 순서를 추론하기 위해 확률적 그래픽 모델을 적용한다.
• 통계적 학습을 활용해 내성 특징 간의 상관관계와 조건부 확률을 식별하고, 진화적 궤적을 모델링한다.
• 기존의 AMR 데이터셋—특히 *Mycobacterium tuberculosis*에서의 데이터를 활용해 실제 내성 패턴에 대해 모델을 훈련하고 검증한다.
• 모델 출력 결과를 Epidemiological 메타데이터와 통합하여 지역 및 인구 집단 간 MDR 진화를 비교한다.
• 연구자들이 자신의 AMR 데이터셋에 EvAM를 적용할 수 있도록 오픈소스 구현 링크와 도구를 제공한다.

실험 결과

연구 질문

• RQ1 다음과 같은 *Mycobacterium tuberculosis*에서 다중약물내성(MDR) 진화 과정에서 내성 돌연변이가 가장 가능성이 높은 순서로 축적되는가?
• RQ2 다음 내성 발달을 가장 잘 예측하는 내성 특징는 무엇이며, 그들의 조건부 상관관계는 무엇인가?
• RQ3 지역 간 또는 인구 집단 간 MDR 진화 경로는 어떻게 다를까?
• RQ4 현재의 내성 프로파일에서 EvAM가 내성 획득의 다음 단계를 정확하게 예측할 수 있는가?
• RQ5 종단적 샘플링 없이 횡단적 AMR 데이터에 EvAM를 적용할 때의 강점과 한계는 무엇인가?

주요 결과

• EvAM는 종단적 유전자 및 표현형 데이터만을 사용하여 *Mycobacterium tuberculosis*에서 내성 획득의 타당한 진화 경로를 성공적으로 추론한다.
• 모델은 MDR 진화 과정에서 '계단식 돌연변이' 역할을 하는 핵심 내성 특징을 식별했으며, 이후 내성 사건에 대해 높은 예측 정확도를 보였다.
• 지역 간 MDR 진화 궤적이 상당한 차이를 보여, 서로 다른 진화적 압력 또는 전파 역학이 작용할 수 있음을 시사했다.
• 이전에 보고되지 않은 특정 내성 돌연변이 간의 의존성 관계를 드러내어 공진화 메커니즘의 가능성을 시사했다.
• 특히 비선형 내성 진행 경로를 식별하는 데 있어, 기존의 연관 기반 방법보다 EvAM가 더 뛰어난 성능을 보였다.
• 결측 데이터에 대해 강건하며, 인구 구조나 샘플링 빈도에 대한 강한 가정 없이도 다양한 AMR 데이터셋에 적용 가능하다.