Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
Die Lernfähigkeit einer Maschine identifiziert Antibiotikaresistenzgene
{{{sourceTextContent.subTitle}}}
Forscher bei University of California San Diego haben eine Annäherung entwickelt, die die Lernfähigkeit einer Maschine verwendet, zu identifizieren und vorauszusagen, welche Gene ansteckende Bakterien beständig gegen Antibiotika machen. Die Annäherung wurde auf Belastungen der Mykobakteriumtuberkulose geprüft--die Bakterien, die Tuberkulose (TB) in den Menschen verursachen. Sie identifizierte 33 gewusst und 24 neue Antibiotikaresistenzgene in diesen Bakterien.
{{{sourceTextContent.description}}}
Die Forscher sagen, dass die Annäherung auf anderen Infektion-verursachenden Krankheitserregern, einschließlich Staphylo- und Bakterien verwendet werden kann, die Harnwegsinfektionen, Pneumonie und Meningitis verursachen.
„Das Kennen, die Gene konferieren, von Antibiotikaresistenz könnte die Weise ändern, die Infektionskrankheiten in der Zukunft behandelt werden,“ sagte mit-älteren Autor Jonathan Monk, Forschungswissenschaftler in der Abteilung von Biotechnik bei Uc San Diego. „Zum Beispiel, wenn es eine hartnäckige Infektion von TB in der Klinik gibt, können Ärzte diese Belastung der Reihe nach ordnen, betrachten seine Gene und herauszufinden, die Antibiotika es gegen beständig ist gegen und welche ist es anfällig, dann schreiben Sie das rechte Antibiotikum für diese Belastung.“ vor
„Dieses konnte Gelegenheiten für personifizierte Behandlung für Ihren Krankheitserreger erschließen. Jede Belastung ist unterschiedlich und sollte möglicherweise anders als behandelt werden,“ sagte mit-älteren Autor Bernhard Palsson, Galletti Professor von Biotechnik am UC San Diego Jacobs School der Technik. „Durch diese Lernfähigkeit- einer Maschineanalyse des Pangenoms - der ganze Satz aller Gene in allen Belastungen von bakterielle Spezies - wir können die Eigenschaften besser verstehen, die machen diese Belastungen unterschiedlich.“
Das Team bildete einen Lernfähigkeit- einer Maschinealgorithmus unter Verwendung der Genomreihenfolgen und -phänotypen aus - die körperlichen Merkmale oder die Eigenschaften, die beobachtet werden können, wie Antibiotikaresistenz - von mehr als 1.500 Belastungen von M.-Tuberkulose. Von diesem Input sagte der Algorithmus einen Satz Gene und Variantenformen dieser Gene voraus, genannt Allele, die Antibiotikaresistenz verursachen. 33 wurden mit bekannten Antibiotikaresistenzgenen, restliche 24 waren neue Vorhersagen validiert, die nicht noch experimentell geprüft worden sind.
Die Forscher analysierten weiter die Vorhersagen des Algorithmus und identifizierten Kombinationen von Allelen, die zusammen aufeinander einwirken und eine Belastung veranlassen konnten, antibiotikaresistent zu sein. Sie zeichneten auch diese Allele auf Kristallstrukturen von den M.-Tuberkuloseproteinen auf (veröffentlicht in der Protein-Datenbank). Sie fanden, dass einige dieser Allele in bestimmten strukturellen Regionen der Proteine erschienen.
„Wir taten Interaktions- und strukturelle Analysen, um tieferes zu graben und zu entwickeln verwickeltere Hypothesen für, wie diese Gene zu den Antibiotikaresistenzphänotypen beitragen konnten,“ sagten ersten Autor Erol Kavvas, ein Biotechnik Ph.D.-Student Palssons in der Forschungsgruppe. „Diese Ergebnisse konnten zukünftige experimentelle Untersuchungen an unterstützen, ob die strukturelle Gruppierung dieser Allele spielt eine Rolle in ihrem conferral der Antibiotikaresistenz.“
Die Ergebnisse dieser Studie sind ganz rechnerisch, also schaut das Team, um mit experimentellen Forschern zu arbeiten, um zu prüfen ob die 24 neuen Gene tatsächlich, die confer durch die Antibiotikaresistenz des Algorithmus in M.-Tuberkulose vorausgesagt werden.
Zukünftige Studien beziehen mit ein, die Lernfähigkeit- einer Maschineannäherung des Teams an den führenden ansteckenden Bakterien anzuwenden, bekannt als die ESKAPE-Krankheitserreger: Enterokokke faecium, Staphylococcus aureus, Klebsiella pneumoniae, Acinetobacter baumannii, Pseudomonas-Aeruginosa und Enterobakterium Spezies. Als nächster Schritt integriert das Team Genomskalamodelle von metabolischen Netzen mit ihrer Lernfähigkeit- einer Maschineannäherung, um die Mechanismen zu verstehen, die der Entwicklung der Antibiotikaresistenz zugrunde liegen.