[论文解读] 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 4

一句话总结

本文提出进化累积建模（EvAM），一种机器学习方法，利用横断面基因型或表型数据推断并预测细菌的多药耐药性（MDR）进化，无需纵向采样。该方法在结核分枝杆菌中得到验证，揭示了耐药性获得的路径，预测了未来的耐药步骤，并识别出MDR进化在地区和人口学上的差异。

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.

研究动机与目标

• 解决在缺乏纵向数据的情况下预测细菌病原体多药耐药性（MDR）进化路径的挑战。
• 将癌症和进化生物学中的机器学习技术应用于抗微生物耐药性（AMR）研究，这些技术目前仍利用不足。
• 从多样化人群中推断MDR发展中耐药突变或特征的顺序与依赖关系。
• 实现对未来耐药性进化的预测，支持主动的公共卫生和治疗策略。
• 利用现实世界的AMR数据集，探索MDR进化在地区、人口学和遗传学上的差异。

提出的方法

• 采用进化累积建模（EvAM），一种机器学习框架，用于建模病原体中耐药特征的顺序累积。
• 应用概率图模型，从未知的横断面AMR基因型/表型数据中推断耐药获得的可能顺序。
• 利用统计学习识别耐药特征之间的依赖关系与条件概率，建模进化轨迹。
• 利用现有的AMR数据集——特别是结核分枝杆菌的数据——在真实世界的耐药模式上训练和验证模型。
• 将模型输出与流行病学元数据整合，比较不同地区和人群中的MDR进化。
• 提供开源实现链接和工具，供研究人员将其应用于自身的AMR数据集。

实验结果

研究问题

• RQ1 在结核分枝杆菌中，多药耐药性进化过程中，耐药突变最可能按何种顺序累积？
• RQ2 哪些耐药特征最能预测后续的耐药发展，其条件依赖关系是什么？
• RQ3 MDR的进化路径在地理区域或人口群体之间有何不同？
• RQ4 EvAM能否准确预测从当前耐药谱中获得的下一个耐药进化步骤？
• RQ5 在缺乏纵向采样的情况下，将EvAM应用于横断面AMR数据的优缺点是什么？

主要发现

• EvAM仅使用横断面基因型和表型数据，成功推断出结核分枝杆菌耐药性获得的合理进化路径。
• 该模型识别出在MDR进化中起‘踏脚石’作用的关键耐药特征，对后续耐药事件具有高预测准确性。
• 在不同地区之间观察到MDR进化轨迹存在显著差异，提示存在不同的进化压力或传播动态。
• 该方法揭示了先前未报告的特定耐药突变之间的依赖关系，表明可能存在共进化机制。
• 与标准关联方法相比，EvAM在预测未来耐药状态方面表现更优，尤其在识别非线性耐药进展方面。
• 该方法对缺失数据具有鲁棒性，可适用于多样化的AMR数据集，且对种群结构或采样频率的假设极少。