Machine Learning Prediction of Antimicrobial Response in Pleurotus ostreatus Extracts Cultivated on Cassava Peel: A Proof-of-Concept Study

Stellen Sie sich die Welt der winzigen, unsichtbaren Eindringlinge vor – Bakterien und Pilze –, die uns manchmal krank machen. Lange Zeit verfügten wir über spezielle Waffen namens Antibiotika, um gegen sie zu kämpfen, aber diese Eindringlinge werden immer geschickter. Sie lernen, wie sie unseren Waffen ausweichen können, ein Problem, das Wissenschaftler als „Antimikrobielle Resistenz“ bezeichnen. Es ist wie ein Versteckspiel, bei dem die Versteckenden immer besser darin werden, sich zu verstecken, und wir müssen neue Wege finden, um sie zu fangen. Eine vielversprechende Idee ist es, in der eigenen Apotheke der Natur zu suchen, speziell bei Pilzen. Einige Pilze, wie der Austerpilz (Pleurotus ostreatus), sind berühmt dafür, Chemikalien herzustellen, die diese bösen Keime stoppen können. Noch cooler ist, dass diese Pilze auf Dingen wachsen können, die wir normalerweise wegwerfen würden, wie zum Beispiel den Schalen von Maniokkwurzeln. Aber hier liegt der knifflige Teil: Jeden einzelnen Pilzbatch gegen jeden einzelnen Keim zu testen, ist langsam, teuer und erfordert viel harte Arbeit. Wissenschaftler fragen sich, ob sie eine „Kristallkugel“ aus Mathematik und Computern – genannt Maschinelles Lernen – verwenden können, um vorherzusagen, welche Pilzextrakte am besten wirken werden, noch bevor sie überhaupt mit den unordentlichen Labortests beginnen.

Diese Arbeit ist eine „Proof-of-Concept“-Studie, was eine schicke Art zu sagen ist: „Lass uns einen kleinen Test machen, um zu sehen, ob diese Kristallkugel-Idee überhaupt möglich ist.“ Die Forscher züchteten Austerpilze auf Maniokkschalen und stellten dann zwei Arten von Flüssigkeitsextrakten aus ihnen her: einen unter Verwendung von Alkohol (Ethanol) und einen unter Verwendung von Wasser. Sie testeten diese Flüssigkeiten gegen sieben verschiedene Arten von Keimen, um zu sehen, wie gut sie das Wachstum der Keime stoppten. Anstatt nur die Ergebnisse anzusehen, fütterten sie alle Daten in ein Computerprogramm namens „Random Forest“-Modell. Stellen Sie sich dieses Modell als einen super-organisierten Detektiv vor, der Hinweisen nachgeht – wie der Art der Flüssigkeit, mit der der Extrakt hergestellt wurde, der Art des Keims, gegen den er kämpft, und der chemischen Zusammensetzung der Pilzcharge –, um das Ergebnis vorherzusagen.

Der Detektiv machte einen ordentlichen Job bei einer spezifischen Aufgabe: der Vorhersage der Größe der „Hemmhofzone“. Stellen Sie sich vor, man zeichnet einen Kreis auf eine Petrischale, in dem die Keime nicht wachsen können; je größer der Kreis, desto besser wirkt der Pilzextrakt. Das Computermodell konnte die Größe dieses Kreises mit mäßigem Erfolg vorhersagen, wobei es einen Genauigkeitswert (R-Quadrat) von 0,68 erreichte. Es war ziemlich gut darin, vorherzusagen, dass bestimmte Bedingungen zu größeren Kreisen führen würden. Der wichtigste Hinweis, den der Detektiv fand, war das Extraktionslösungsmittel. Ob der Extrakt mit Alkohol oder Wasser hergestellt wurde, spielte eine viel größere Rolle als die winzigen chemischen Unterschiede zwischen den Pilzchargen. Tatsächlich trug die spezifische chemische Zusammensetzung der Pilze nur sehr wenig zur Vorhersage bei.

Dennoch stieß der Detektiv bei der Vorhersage von etwas anderem an eine Wand: der minimalen Hemmkonzentration (MHK). Dies ist ein Maß dafür, wie viel des Extrakts benötigt wird, um den Keim vollständig zu stoppen. Als der Computer versuchte zu erraten, ob der Extrakt stark genug war, um ein „Gewinner“ oder ein „Verlierer“ zu sein, schnitt er schlecht ab und hatte nur in 43 % der Fälle recht. Er tappte im Grunde im Dunkeln. Dies zeigt uns, dass die Hinweise, die die Wissenschaftler hatten – wie die Chemie der Charge und die Art des Keims –, nicht ausreichten, um den Unterschied zwischen einem starken und einem schwachen Extrakt zu erkennen.

Was also ist das Urteil? Die Studie legt nahe, dass Maschinelles Lernen ein hilfreicher Gehilfe bei der Erforschung von Pilzmedizinen sein kann, aber es ist noch kein Zauberstab. Der Computer lernte, dass die Art der Flüssigkeit, die zur Herstellung des Extrakts verwendet wurde, eine große Sache ist, aber er konnte die feineren Details darüber nicht herausfinden, wie stark die Medizin sein würde. Die Autoren sagen vorsichtig, dass diese Ergebnisse erst der Anfang sind. Da sie nur eine kleine Anzahl von Proben (42 Beobachtungen) und nur drei Chargen von Pilzen getestet haben, ist das Bild noch etwas verschwommen. Um eine wirklich zuverlässige Kristallkugel zu bauen, sagen sie, dass wir viel größere Datensätze benötigen, indem wir viel mehr Arten von Pilzen und Keimen testen und mit noch detaillierteren chemischen Messungen arbeiten. Vorerst ist diese Studie ein unterhaltsamer, vielversprechender erster Schritt, der das Potenzial zeigt, Biologie mit Informatik zu mischen, auch wenn der Computer noch viel mehr Hausaufgaben zu erledigen hat, bevor er den Labortisch ersetzen kann.