Predicting tuberculosis relapse based on 28-day CFU, RS ratio, and/or drug contribution for novel regimens in the relapsing mouse model

Stellen Sie sich vor, Sie sind ein Detektiv, der einen Fall löst, der sich über neun Monate hinweg entfaltet. Der Übeltäter ist ein hinterlistiges Bakterium namens Mycobacterium tuberculosis, das die Krankheit Tuberkulose (TB) verursacht. In der Vergangenheit erforderte das Erraten und Entschlüsseln dieses Keims sowie die Entscheidung, wie man ihn besiegt, eine sehr langsame, teure und überfüllte Untersuchung: Man infizierte Mäuse, behandelte sie und wartete dann fast ein Jahr lang ab, um zu sehen, ob die Mäuse erneut krank wurden. Es war, als würde man einen Zeitlupenfilm zu Ende laufen lassen, nur um zu sehen, ob der Held gewinnt. Wissenschaftler benötigen dringend einen schnelleren Weg, um neue „Allheilungs“-Rezepte (Kombinationen von Medikamenten) zu testen, da die aktuellen Behandlungen zu langwierig sind und Patienten die Behandlung oft abbrechen, bevor sie abgeschlossen ist, was zu resistenten Super-Erregern führt. Um dies zu beschleunigen, haben Forscher zwei spezielle „Hinweise“ entwickelt, die man viel früher finden kann: die Anzahl der noch lebenden Bakterien in der Lunge (CFU) und ein Maß dafür, wie beschäftigt die Bakterien damit sind, sich selbst zu vervielfältigen (das RS-Verhältnis). Betrachten Sie CFU als das Zählen der Verdächtigen, die sich in einem Haus verstecken, und das RS-Verhältnis als das Überprüfen, ob diese Verdächtigen hektisch ihre Koffer packen, um zu fliehen, oder ob sie einfach nur herumsitzen und nichts tun.

In dieser Arbeit geht es darum, einen superintelligenten Computer-Detektiv zu bauen, der diese frühen Hinweise – die nach nur vier Wochen Behandlung erhoben werden – analysieren und vorhersagen kann, ob eine bestimmte Medikamentenrezeptur die Mäuse langfristig heilen wird. Die Forscher sammelten Daten aus neun verschiedenen Experimenten mit 58 einzigartigen Medikamentenkombinationen und über 2.000 Beobachtungen von Mäusen, die entweder gesund wurden oder sich verschlechterten. Sie speisten diese Informationen in ein mathematisches Modell ein und brachten es bei, Muster zwischen den kurzfristigen Hinweisen und dem langfristigen Ergebnis zu erkennen. Das Ergebnis ist ein Werkzeug, das neue Medikamentenrezepte basierend auf nur einem Monat an Daten ranken kann, anstatt neun Monate warten zu müssen. Das Modell legt nahe, dass Wissenschaftler durch die Nutzung dieser frühen Hinweise schnell die vielversprechendsten Behandlungen identifizieren und diejenigen überspringen können, die wahrscheinlich scheitern werden, wodurch Zeit, Geld und tausende Mäuse gespart werden. Während die Vorhersagen des Computers sehr genau sind (er trifft sie in Tests zu 90 % der Zeit), merken die Autoren an, dass für brandneue Medikamente der „Beschäftigtigkeits“-Hinweis (RS-Verhältnis) besonders hilfreich ist, während bei bekannten Medikamenten das bloße Zählen der Bakterien ausreichen könnte, wenn man auch weiß, wie gut jedes Medikament die Infektion sterilisiert.

Die neue Abkürzung des Detektivs

Tuberkulose ist ein hartnäckiger Feind. Jahrzehntelang war der einzige Weg, um zu wissen, ob eine neue Medikamentenmischung funktionieren würde, ein sehr langes Spiel mit Mäusen zu spielen. Man infizierte sie, gab ihnen Medizin und wartete dann volle neun Monate, um zu sehen, ob die Bakterien zurückkehrten. Es war ein langsamer, ressourcenintensiver Prozess, der es schwierig machte, die hunderte neuen Medikamentenkombinationen zu testen, von denen Wissenschaftler träumten. Aber was wäre, wenn man einen Blick auf die Beweise nach nur einem Monat werfen und das Ende kennen könnte? Genau das wollte dieses Team erreichen.

Sie konzentrierten sich auf zwei spezifische „Hinweise“, die schnell gesammelt werden können:

1. CFU (Koloniebildende Einheiten): Dies ist eine Zählung der Bakterien, die noch am Leben sind und wachsen können, in der Lunge der Maus. Es ist wie das Zählen der Eindringlinge, die sich noch im Haus verstecken.
2. RS-Verhältnis: Dies ist ein Maß für die „Gesundheit“ oder Aktivität der Bakterien. Konkret betrachtet es das Verhältnis von unreifer zu reifer ribosomaler RNA. Denken Sie daran als das Überprüfen der „To-Do-Liste“ der Bakterien. Wenn die Liste voller unerledigter Aufgaben ist, sind die Bakterien gestresst und sterben. Wenn die Liste sauber ist, könnten sie sich auch nur ausruhen, aber dennoch gefährlich sein.

Die Forscher bauten ein computergestütztes Modell – ein ausgeklügeltes Computergehirn –, um die Beziehung zwischen diesen kurzfristigen Hinweisen und dem langfristigen Ergebnis (ob die Mäuse geheilt blieben) zu erlernen. Sie haben nicht nur geraten; sie trainierten das Modell mit Daten aus 58 verschiedenen Medikamentenregimen aus neun separaten Experimenten. Diese Experimente beinhalteten verschiedene Arten von Mäusen, verschiedene Stämme von Bakterien und verschiedene Wege, sie zu infizieren, was die Daten sehr robust machte.

Was der Computer fand

Das Modell lernte, dass es die Zukunft mit beeindruckender Genauigkeit vorhersagen konnte. Wenn es mit Daten getestet wurde, die es zuvor nicht gesehen hatte, lag die Vorhersage des Computers etwa 90 % der Zeit richtig (speziell eine Fläche unter der Receiver Operating Characteristic Curve von 0,90). Das bedeutet, es kann erfolgreich zwischen einer Medikamentenmischung unterscheiden, die die Mäuse in zwei Monaten heilt, und einer, die zwei Monate oder gar vier Monate dauert oder völlig versagt.

Hier ist der clevere Teil: Das Modell erkannte, dass für einige Medikamente das bloße Zählen der Bakterien (CFU) nicht ausreicht, um die ganze Geschichte zu erzählen. Einige Medikamente töten die Bakterien, verhindern aber nicht, dass sie später „aufwachen“ (nicht-sterilisierend), während andere die Infektion wirklich sterilisieren. Um dies zu beheben, nutzt das Modell das RS-Verhältnis als Entscheidungshilfe (Tie-Breaker). Es legt nahe, dass für brandneue Medikamente, bei denen wir deren „Sterilisationskraft“ noch nicht kennen, das RS-Verhältnis ein entscheidender Hinweis ist, um zu sehen, ob die Bakterien wirklich besiegt sind. Für Medikamente, die wir bereits gut kennen (wie Rifampicin oder Bedaquilin), fand das Modell hingegen, dass man das RS-Verhältnis gar nicht benötigt, wenn man deren bekannte Fähigkeit zur Sterilisation der Infektion berücksichtigt; die Bakterienzahl allein kann hier die Aufgabe erledigen.

Die Studie zeigte auch, dass diese Methode selbst funktioniert, wenn man Experimente vergleicht, die in verschiedenen Labors unter unterschiedlichen Bedingungen durchgeführt wurden. Das Modell lernte, sich an diese Unterschiede anzupassen, und fungiert wie ein universeller Übersetzer, der sicherstellt, dass ein in einem Labor getestetes Medikament fair mit einem in einem anderen Labor getesteten Medikament verglichen werden kann.

Das Urteil

Die Autoren sind zuversichtlich, dass dieses Werkzeug die Entwicklung von TB-Heilmitteln verändern kann. Durch die Nutzung dieses Modells können Wissenschaftler viele mehr Medikamentenkombinationen in einem Bruchteil der Zeit und mit weit weniger Mäusen testen. Anstatt neun Monate zu warten, um zu sehen, ob ein Rezept funktioniert, können sie ein vierwöchiges Experiment durchführen, die Ergebnisse in den Computer einspeisen und eine Rangliste erhalten, welche Rezepte es wert sind, weiterverfolgt zu werden.

Dennoch weist das Paper vorsichtig darauf hin, dass dies ein Vorhersagewerkzeug ist und kein Zauberstab. Das Modell arbeitet am besten für Regimes mit vier Medikamenten; es hatte in ihren Tests leichte Schwierigkeiten mit einer spezifischen Drei-Medikamente-Kombination, was darauf hindeutet, dass sehr kurze Regime einer besonderen Prüfung bedürfen. Zudem gilt: Obwohl der Computer großartig darin ist, Ergebnisse basierend auf den vorliegenden Daten vorherzusagen, hängt er dennoch von der Qualität des ursprünglichen Vier-Wochen-Experiments ab. Wenn die Kurzzeitdaten „verrauscht“ sind, könnte die Vorhersage schwanken.

Letztendlich deutet diese Forschung auf einen neuen Arbeitsablauf hin: Führen Sie einen schnellen Vier-Wochen-Test durch, messen Sie die Bakterienzahl und deren „Aktivitätsniveau“ und lassen Sie den Computer entscheiden, welche Medikamentenkombinationen die wahren Helden sind. Dies könnte den Weg vom Labortisch zum Krankenbett verkürzen und potenziell kürzere, effektivere Behandlungen für die Millionen von Menschen bringen, die heute noch an Tuberkulose leiden.