Optimization of sequential therapies to maximize extinction of resistant bacteria through collateral sensitivity

Problemstellung
Antimikrobielle Resistenzen (AMR) stellen eine kritische Bedrohung für die globale Gesundheit dar, wobei die Entwicklung neuer Antibiotika nicht mit der Evolution der Resistenzen Schritt hält. Obwohl Kombinationstherapien (gleichzeitige Verabreichung mehrerer Medikamente) eine gängige Strategie sind, bergen sie Risiken von Toxizität und können Resistenzen manchmal sogar beschleunigen. Sequenzielle Therapien, bei denen Antibiotika nacheinander verabreicht werden, bieten eine vielversprechende Alternative, die auf dem Phänomen der kollateralen Sensitivität (CS) basiert. CS tritt auf, wenn die bakterielle Resistenz gegen ein Antibiotikum die Empfindlichkeit gegenüber einem anderen erhöht. Trotz des Potenzials von CS-gesteuerten sequenziellen Regimen fehlen quantitative Gestaltungsprinzipien zur Optimierung des Zeitpunkts des Medikamentenwechsels, um die bakterielle Ausrottung zu maximieren, insbesondere unter subinhibitorischen Antibiotikakonzentrationen, wo die Resistenzentwicklung ein erhebliches Problem darstellt.

Methodik
Die Autoren entwickeln ein stochastisches Geburts-Todes-Modell mit vier Genotypen, um die evolutionären Dynamiken innerhalb des Wirts unter zwei bakteriostatischen Antibiotika (A und B) zu simulieren. Das Modell verfolgt vier bakterielle Populationen:

• $x_0$: Wildtyp (empfindlich gegenüber beiden).
• $x_1$: Resistenz gegen A, empfindlich gegenüber B.
• $x_2$: Resistenz gegen B, empfindlich gegenüber A.
• $x_3$: Doppelresistent (resistent gegenüber beiden).

Wesentliche Merkmale des Modells umfassen:

• Stochastische Dynamik: Das System verwendet einen Tau-Leaping-Algorithmus, um Geburts-, Todes- und Mutationsereignisse zu simulieren ($\mu_1$ für den Erwerb von Resistenz, $\mu_2$ für den Verlust).
• Sequenzielles Wechseln: Die Simulationen beginnen mit Antibiotikum A. Nach einer Wechselperiode $\tau$ wechselt das Antibiotikum zu B, dann zurück zu A und so weiter, über eine feste Gesamtdauer der Behandlung $T$.
• Aussterbekriterien: Eine Population gilt als ausgestorben, wenn sie unter einen Schwellenwert von $0.05\gamma^{-1}$ (ca. 5 Individuen) fällt, wobei $\gamma$ die Tragfähigkeit bezieht.
• Parameter: Die Studie konzentriert sich auf subinhibitorische Konzentrationen ($k=0.5$, repräsentiert IC50) und starke reziproke CS ($k_{CS}=0.05$).

Hauptbeiträge und Ergebnisse

1. Nichtlineare Abhängigkeit von der Wechselperiode:
   Die Wahrscheinlichkeit des bakteriellen Aussterbens hängt nichtlinear von der Wechselperiode $\tau$ ab.

   • Schnelles Wechseln ($\tau \to 0$): Führt zu keinem Aussterben, da nicht genügend Zeit für die Evolution und Dominanz resistenter Mutanten bleibt.
   • Optimales Wechseln: Die Aussterbewahrscheinlichkeit steigt mit $\tau$ und zeigt stufenweise Sprünge, die mit diskreten Wechselereignissen übereinstimmen (z. B. Zunahme von 1 auf 2 Wechsel).
   • Mechanismus: Aussterbeereignisse treten kurz nach einem Wechsel auf. Damit ein Aussterben erfolgt, muss sich die Population zunächst so entwickeln, dass sie von einem einzelnen-resistenten Genotyp dominiert wird (z. B. $x_1$ unter Medikament A). Wenn das Medikament zu B wechselt, kollabiert diese dominante Population (die nun empfindlich ist). Wenn die Population signifikante Mengen anderer Genotypen (Wildtyp oder doppelresistent) enthält, ist ein Aussterben weniger wahrscheinlich.

2. Geometrische Verteilungsrahmen:
   Die Autoren schlagen vor, dass Aussterben als eine Reihe von Bernoulli-Versuchen (Münzwürfen) bei jedem Wechsel modelliert werden kann.

   • Sie passen die kumulative Aussterbewahrscheinlichkeit an eine hierarchische geometrische Verteilung an, $P_{ext} = 1 - (1 - p)^n$, wobei $p$ die Aussterbewahrscheinlichkeit pro Wechsel und $n$ die Anzahl der Wechsel ist.
   • Die Aussterbewahrscheinlichkeit pro Wechsel $p$ ist nicht konstant; sie steigt mit der Wechselperiode $\tau$ und hängt von der Anzahl der Wechsel $n$ ab. Eine Anpassung der Form $p = \alpha\tau + \beta n$ sagt die kumulativen Aussterbewahrscheinlichkeiten genau voraus.

3. Heuristische Näherung:
   Die Autoren leiten eine analytische Heuristik für $p(\tau)$ basierend auf drei wichtigen Zeitverteilungen ab:

   • Zeit, bis einzelne-resistente Mutanten die Population dominieren.
   • Zeit bis zum Aussterben nach einem Wechsel.
   • Wahrscheinlichkeit einer Nicht-Dominanz durch einzelne-resistente Mutanten.
     Die resultierende Formel, $p(\tau) = p_d(\tau)[1 - p_r(\tau)]$, wobei $p_d$ die Zerfallswahrscheinlichkeit und $p_r$ die Wahrscheinlichkeit der Nicht-Dominanz ist, stimmt erfolgreich mit den Simulationsdaten überein.

4. Empfindlichkeit gegenüber Parametern:

   • Kollaterale Sensitivität (CS): Starke reziproke CS ist eine notwendige Bedingung für Aussterben bei subinhibitorischen Dosen. Wenn die CS schwächer wird ($k_{CS}$ steigt), sinkt die Aussterbewahrscheinlichkeit auf nahezu Null.
   • Antibiotika-Dosis: Der Zusammenhang zwischen Dosis und Aussterben ist unimodal. Bei sehr hohen Dosen (nahe MIC) tritt Aussterben unabhängig vom Wechsel auf. Bei mittleren subinhibitorischen Dosen gibt es eine optimale Dosis, die das Aussterben maximiert. Bei sehr niedrigen Dosen nimmt die Aussterbewahrscheinlichkeit ab, da der Zustrom resistenter Mutanten verlangsamt wird.
   • Mutationsraten: Ähnlich wie bei der Dosis zeigt die Aussterbewahrscheinlichkeit eine unimodale Abhängigkeit von den Mutationsraten. Hohe Mutationsraten können zur Entstehung doppelresistenter Stämme ($x_3$) führen, was die Wirksamkeit des Aussterbens verringert.

5. Pareto-Front optimaler Therapien:
   Es besteht ein Zielkonflikt zwischen der Maximierung des Aussterbens und der Minimierung des Auftretens doppelresistenter Mutanten.

   • Längere Therapien (mehr Wechsel) erhöhen die Aussterbewahrscheinlichkeit, erhöhen aber auch die Wahrscheinlichkeit des Auftretens von $x_3$, wenn die Population überlebt.
   • Die Autoren identifizieren eine Pareto-Front optimaler Wechselperioden. Für die untersuchten Parameter liegt eine Wechselperiode von $\tau \approx 42$ am wahrscheinlichsten auf dieser Front, was Kliniker in die Lage versetzt, durch Anpassung der Anzahl der Wechsel $n$ zwischen der Maximierung des Aussterbens oder der Minimierung der Resistenz zu wählen.

Bedeutung und Behauptungen
Die Arbeit behauptet, quantitative Gestaltungsprinzipien für in-vitro- und klinische sequenzielle Antibiotikatherapien bereitzustellen. Indem sie zeigt, dass starke CS selbst bei subinhibitorischen Konzentrationen (wo Monotherapien versagen) zur bakteriellen Ausrottung führen kann, unterstreicht die Studie das Potenzial von CS-gesteuerten Regimen, die Evolution von Resistenzen zu unterdrücken.

Die Autoren betonen, dass ihr stochastischer Rahmen die Aussterbedynamik direkt erfasst, im Gegensatz zu früheren deterministischen Modellen, die eine Ausrottung nicht vorhersagen können. Sie argumentieren, dass der Schlüssel zum Erfolg nicht nur das Vorhandensein von CS ist, sondern der Zeitpunkt des Wechsels: Man muss lange genug warten, bis ein einzel-resistenter Mutant die Population dominiert, bevor gewechselt wird, aber nicht so lange, dass Doppelresistenz entsteht. Die Identifizierung einer Pareto-Front bietet einen praktischen Rahmen für die Abwägung der dualen Ziele der Infektionsausrottung und der Verhinderung der Evolution einer Pan-Resistenz.

Die Studie kommt zu dem Schluss, dass das Modell zwar minimal ist (zwei Medikamente, vier Genotypen), es jedoch die Kernmechanismen des CS-gesteuerten Wechsels isoliert und darauf hindeutet, dass sequenzielle Therapien eine reichhaltige Gelegenheit darstellen, die Antibiotikakrise zu bekämpfen, mit potenziellen Erweiterungen auf Krebstherapien und epidemiologische Skalen.