[논문 리뷰] Rapid, antibiotic incubation-free determination of tuberculosis drug resistance using machine learning and Raman spectroscopy

Babatunde Ogunlade, Loza F. Tadesse외 7명|arXiv (Cornell University)|2023. 06. 09.

Spectroscopy Techniques in Biomedical and Chemical Research인용 수 4

한 줄 요약

이 연구는 라만 스펙트로스코피와 기계학습을 활용하여 결핵 항생제 내성 검출을 위한 빠르고 배양 및 항생제 배양 없이 수행할 수 있는 방법을 제시한다. 마이코박터리움 투버클로시스 복합체 균주, 특히 내성 BCG 돌연변이 균에서 단일 세포에서 수개 세포의 라만 스펙트럼을 분석함으로써, 건조한 샘플에서는 98% 이상의 정확도를 달성하고 환자 기침침 샘플에서는 약 79%의 정확도를 기록하여 자원이 제한된 환경에서 현장 진단이 가능한 저비용 이식 가능 장치를 통해 실현 가능하다.

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.

연구 동기 및 목표

• 마이코박터리움 투버클로시스에서 약물 내성을 신속하게, 배양 없이, 항생제 배양 없이 검출하기 위한 방법을 개발하는 것.
• 저비용 이식 가능 라만 현미경을 개발하여 자원이 제한된 환경에서 현장 진단을 가능하게 하는 것.
• 기계학습을 활용하여 단일 세포 라만 스펙트럼을 기반으로 마이코박터리움 투버클로시스 복합체 균주들의 내성 프로필을 분류하는 것.
• 건조한 세균 샘플과 임상적 기침침 샘플에 대해 방법을 검증하는 것.
• 기계학습 모델이 생물학적으로 의미 있는 스펙트럼 특징에 의존하도록 특징 인식 알고리즘을 통해 확인하는 것.

제안 방법

• 다섯 종의 BCG 균주(원형 전기감수성 및 이소니아지드, 리파마이신, 모키시플록사신, 아미카신에 내성인 것들)에서 25,000개 이상의 세포에서 수개에서 단일 세포의 라만 스펙트럼을 수집하기 위해 라만 스펙트로스코피를 사용한다.
• 기계학습 모델은 라만 스펙트럼 데이터를 기반으로 각 균주가 네 가지 주요 결핵 항결핵 약물 중 어느 것에 내성인지 또는 감수성인지 분류하도록 딥 네트워크로 훈련된다.
• 실제 적용 가능성을 평가하기 위해 건조한 세균 샘플과 환자 기침침 샘플에서 모델을 평가한다.
• 모델이 잡음이나 오염물질이 아닌 생물학적으로 의미 있는 스펙트럼 특징을 사용하는지 확인하기 위해 특징 인식 알고리즘을 개발한다.
• 현장 적용을 위해 저비용 이식 가능 라만 현미경을 설계하고 제작하였으며, 비용은 5,000달러 이하이다.
• 현미경 기능과 스펙트럼 분석 기능을 통합하여 세포 수가 수개에서 단일 세포에 이르는 정확한 약물 감수성 검사를 가능하게 한다.

실험 결과

연구 질문

• RQ1 라만 스펙트로스코피와 기계학습을 조합하여 빠르고, 배양 없이, 항생제 배양 없이 결핵 항생제 내성을 검출할 수 있는가?
• RQ2 기계학습 모델의 정확도는 건조한 세균 샘플과 임상적 기침침 샘플 간에 어떻게 다를까?
• RQ3 기계학습 모델이 우연한 상관관계가 아닌 생물학적으로 의미 있는 스펙트럼 특징에 의존하는가?
• RQ4 저비용 이식 가능 라만 현미경을 자원이 제한된 환경에서 현장 진단을 위한 결핵 약물 감수성 검사에 효과적으로 도입할 수 있는가?
• RQ5 이 방법의 성능은 다양한 항결핵 약물과 내성 프로필에 따라 어떻게 달라지는가?

주요 결과

• 기계학습 모델은 건조한 샘플에서 다섯 종의 BCG 균주 전반에 걸쳐 내성 대 감수성 균주를 분류하는 데 98% 이상의 정확도를 달성한다.
• 환자 기침침 샘플에서는 평균 분류 정확도가 약 79%를 기록한다.
• 특징 인식 알고리즘이 모델이 세포벽 및 대사 변화와 관련된 생물학적으로 의미 있는 스펙트럼 특징을 사용하여 내성을 결정함을 확인한다.
• 이 시스템을 위해 개발된 이식 가능 라만 현미경의 비용은 5,000달러 이하로, 자원이 제한된 임상 환경에서의 도입 가능성을 높인다.
• 이 방법은 세균 배양이나 항생제 배양 없이도 정확한 수개에서 단일 세포의 약물 감수성 검사를 위한 동시 현미경 및 스펙트럼 분석을 가능하게 한다.
• 기존 방법에 비해 현저히 감소된 전환 시간을 제공하므로, 이 방법은 빠른 현장 진단을 위한 결핵 항생제 내성 검사의 실현 가능성을 입증한다.