Unsupervised decomposition of massively parallel TraDIS-Xpress fitness data from Escherichia coli identifies distinct functional and expression modules of antimicrobial resistance determinants

Bakterien sind Meister der Anpassung. Wenn sie auf eine Bedrohung stoßen, wie etwa ein Antibiotikum, sitzen sie nicht einfach nur da und warten darauf, zerstört zu werden; sie aktivieren ein komplexes internes Verteidigungssystem. Um zu verstehen, wie das funktioniert, verwenden Wissenschaftler oft eine Technik namens Transposon-Insertionssequenzierung. Stellen Sie sich das Genom wie eine lange Bedienungsanleitung für den Bau und den Betrieb eines Bakteriums vor. Bei dieser Methode fügen Forscher zufällig winzige Stücke genetischen Materials in die Anleitung ein und blockieren damit effektiv die Anweisungen an bestimmten Stellen. Wenn ein Bakterium trotz einer blockierten Anweisung überlebt und gut wächst, war dieser Teil der Anleitung wahrscheinlich nicht essenziell für das Überleben unter diesen Bedingungen. Wenn das Bakterium stirbt oder Schwierigkeiten hat, war diese Anweisung entscheidend. Durch das Testen von Millionen dieser defekten Bakterien gleichzeitig können Wissenschaftler eine Karte erstellen, welche Gene unter verschiedenen Bedingungen lebenswichtig sind.

Herkömmliche Wege, diese Karten zu lesen, haben jedoch eine erhebliche Einschränkung. Normalerweise betrachten Wissenschaftler jedes Gen isoliert und vergleichen, wie es sich in einer Kontrollumgebung im Vergleich zu einer Stressumgebung verhält. Dieser Ansatz liefert hunderte separater Listen, eine für jede getestete Bedingung, was es schwierig macht, das Gesamtbild davon zu sehen, wie verschiedene Gene als Team zusammenarbeiten. Darüber hinaus übersehen Standardmethoden oft die subtilen Signale von Genen, die nicht kaputt sind, sondern lediglich an- oder ausgeschaltet werden, was ein entscheidender Teil der Art und Weise ist, wie Bakterien gegen Medikamente resistent werden. Eine neue Studie von Forschern des Quadram Institute und der University of East Anglia adressiert diese Lücken, indem sie ein leistungsstarkes mathematisches Werkzeug auf eine massive Sammlung bakterieller Daten anwendet. Anstatt nach einzelnen Genen zu suchen, suchten sie nach verborgenen Mustern, die Gruppen von Genen miteinander verknüpfen, und enthüllten so, wie Bakterien ihre Verteidigung in Echtzeit koordinieren.

Die Forscher begannen mit einer riesigen Bibliothek von fast 800.000 Mutantenstämmen von Escherichia coli, einem häufig verwendeten Laborbakterium. Diese Bibliothek wurde mit einem speziellen genetischen Werkzeug erstellt, das Gene nicht nur zerstören, sondern auch an- oder ausschalten kann, was es den Wissenschaftlern ermöglicht, essenzielle Gene zu untersuchen, die normalerweise nicht zerstört werden könnten, ohne die Zelle zu töten. Sie setzten diese Bakterien 754 verschiedenen Bedingungen aus, darunter verschiedene Antibiotika und andere Umweltstressfaktoren. Das Ziel war es, über die Standardmethode der separaten Analyse jedes Experiments hinauszugehen. Stattdessen speisten sie alle Daten in ein Computerprogramm ein, das darauf ausgelegt ist, unabhängige Muster oder „Module“ zu finden, die entstehen, wenn die Bakterien verschiedenen Herausforderungen gegenüberstehen. Dieser Prozess, bekannt als Unabhängigkeitskomponentenanalyse (Independent Component Analysis), ermöglichte es ihnen, Gene zu gruppieren, die gemeinsam reagieren, unabhängig davon, ob sie nebeneinander auf dem Chromosom liegen oder zu demselben bekannten biologischen Pfad gehören.

Die Analyse ergab 99 unterschiedliche funktionelle Gruppen, die die Forscher als „fxModules“ bezeichneten. Diese Gruppen werden nicht durch bereits existierendes Wissen darüber definiert, was die Gene tun, sondern durch die Art und Weise, wie sie sich tatsächlich gemeinsam in den Daten verhalten. Die Studie fand heraus, dass diese Module ein viel klareres Bild der bakteriellen Resistenz lieferten als die Betrachtung einzelner Gene. Beispielsweise identifizierte die Analyse bei der Exposition der Bakterien gegenüber dem Antibiotikum Fosfomycin ein spezifisches Modul, das Gene enthält, die für den Eintritt des Wirkstoffs in die Zelle, dessen Regulierung und dessen metabolische Verarbeitung verantwortlich sind. Dieses Modul reproduzierte die bekannten Resistenzmechanismen präzise, verknüpfte jedoch Gene über verschiedene biologische Pfade hinweg – etwas, das traditionelle Methoden übersehen hatten. Die Forscher konnten sehen, dass die Verteidigung der Bakterien eine koordinierte Anstrengung zur Kontrolle des Wirkstoffflusses darstellte und nicht nur aus einem einzelnen Gen bestand, das allein agiert.

Die Leistungsfähigkeit dieses Ansatzes wurde noch deutlicher bei der Untersuchung von Chloramphenicol, einem anderen Antibiotikum. In diesem Fall hob die Analyse ein Modul hervor, das fast vollständig von Signalen aus den Regionen direkt vor den Genen, den sogenannten Promotoren, gesteuert wird. Diese Regionen kontrollieren, wie stark ein Gen exprimiert wird. Die Studie zeigte, dass die Resistenz der Bakterien maßgeblich darauf beruhte, die „Lautstärke“ spezifischer Gene hochzudrehen, die das Medikament aus der Zelle pumpen. Da traditionelle Methoden diese regulatorischen Regionen oft ignorieren oder als separat von den Genen behandeln, die sie kontrollieren, hätten sie diese kritische Erkenntnis verpasst. Durch die Trennung des Signals der Genexpression vom Signal der Genstörung konnten die Forscher sehen, dass die Bakterien überlebten, indem sie Effluxpumpen überproduzierten – ein Mechanismus, der in einer standardmäßigen Gen-für-Gen-Analyse unsichtbar geblieben wäre.

Ähnlich lieferte die Studie einen detaillierten Einblick in die Reaktion der Bakterien auf Gentamicin. Die Analyse unterteilte die Atmungskette der Bakterien – das System, das Energie erzeugt – in drei verschiedene Module, die unterschiedlich auf das Medikament reagierten. Eine Gruppe von Genen, die an der Erzeugung der Energieversorgung beteiligt ist, zeigte eine starke positive Reaktion, was bedeutete, dass das Brechen dieser Gene dem Überleben der Bakterien half. Eine andere Gruppe, die diese Energie nutzt, um ATP herzustellen, zeigte eine negative Reaktion, was bedeutete, dass das Brechen dieser Gene das Überleben erschwerte. Diese Detailtiefe offenbarte, dass die Bakterien ihr Energiesystem nicht als einen einzigen Block behandeln, sondern spezifische Teile davon feinabstimmen, um den Eintritt des Antibiotikums zu reduzieren. Die Forscher identifizierten auch spezifische Regulatoren, die diese Reaktionen steuern, von denen einige bisher nicht mit der Gentamicin-Resistenz in Verbindung gebracht worden waren, was neue Ziele für zukünftige Studien bietet.

Ebenso deckte die Studie ein Modul auf, das der Zellwand gewidmet ist – der äußeren Hülle des Bakteriums – und spezifisch auf eine Klasse von Wirkstoffen namens Beta-Laktame reagierte. Diese Gruppe umfasste Proteine, die die Wand aufbauen, Enzyme, die sie schneiden, und Regulatoren, die deren Integrität wahrnehmen. Bemerkenswerterweise stellte die Analyse fest, dass diese Proteine, die in der Zelle physisch miteinander verbunden sind, durch den Computer gruppiert wurden, obwohl sie in verschiedenen biologischen Datenbanken verstreut sind. Dies deutet darauf hin, dass der mathematische Ansatz funktionelle Einheiten finden kann, die von menschlich kuratierten Datenbanken übersehen werden könnten, weil diese nach anderen Kriterien organisiert sind. Die Forscher merkten an, dass die Methode zwar bekannte Mechanismen erfolgreich reproduzierte, aber auch neue Verbindungen vorschlug, wie etwa einen spezifischen Regulator, der möglicherweise die Zellwand mit der Stressreaktion verknüpft und nun weiterer experimenteller Tests bedarf.

Einer der bedeutendsten Befunde war, dass diese Methode funktioniert, ohne die Funktion der Gene im Voraus kennen zu müssen. Der Computer gruppierte die Gene ausschließlich basierend darauf, wie sich ihre Aktivitätslevel über alle verschiedenen Stressbedingungen hinweg gemeinsam veränderten. Das bedeutet, dass der Ansatz neue Beziehungen zwischen Genen und ihrer Rolle beim Überleben identifizieren kann, ohne auf bestehende Lehrbücher oder Datenbanken angewiesen zu sein. Die Forscher demonstrierten, dass sie durch die gleichzeitige Analyse einer großen Sammlung von Daten einen gemeinsamen Rahmen schaffen konnten, in dem neue Experimente direkt mit alten verglichen werden können. Dies transformiert die Art und Weise, wie Wissenschaftler große Datensätze handhaben, indem es hunderte separater Listen in eine einzige, kohärente Karte des bakteriellen Verhaltens verwandelt.

Die Forscher wiesen vorsichtig darauf hin, dass die Methode zwar robust und reproduzierbar ist, die identifizierten Gruppen jedoch auf statistischen Bewegungsmustern basieren und nicht notwendigerweise auf physischen Verbindungen. Nur weil Gene in den Daten gemeinsam „bewegen“, garantiert dies nicht, dass sie direkt interagieren, obwohl in vielen Fällen die Gruppen bekannten biologischen Komplexen entsprachen. Die Studie hob auch hervor, dass die spezifischen Schwellenwerte zur Definition dieser Gruppen empirisch für diesen Datentyp bestimmt wurden, was bedeutet, dass sie für andere Arten von Experimenten angepasst werden müssen. Trotz dieser Vorbehalte stellt die Fähigkeit, regulatorische Signale aufzulösen und Gene nach ihrer tatsächlichen funktionellen Auswirkung zu gruppieren, einen großen Fortschritt dar. Es ermöglicht Wissenschaftlern, den Wald statt nur die Bäume zu sehen und offenbart, wie Bakterien ihre Verteidigung gegen Antibiotika orchestrieren – eine Art und Weise, die zuvor im Rauschen einzelner Genlisten verborgen war.

Letztendlich bietet diese Arbeit eine neue Linse, um den Kampf zwischen Bakterien und Medikamenten zu verstehen. Indem sie das Genom als ein dynamisches System betrachten, in dem Gene im Einklang arbeiten, statt als eine statische Liste von Teilen, haben die Forscher eine tiefere Ebene biologischer Erkenntnis erschlossen. Die Methode bestätigt nicht nur das, was bereits bekannt ist; sie bietet einen Weg, vorherzusagen, wie Bakterien auf neue Herausforderungen reagieren könnten, und die spezifischen Hebel zu identifizieren, die sie zum Überleben bewegen. Da die Sammlung bakterieller Daten stetig wächst, verspricht dieser Ansatz, es einfacher zu machen, die komplexe Sprache des mikrobiellen Lebens zu interpretieren, was potenziell zu besseren Strategien zur Bekämpfung der Antibiotikaresistenz führen kann. Die Studie ist ein Beweis dafür, dass mit den richtigen analytischen Werkzeugen die verborgene Struktur innerhalb massiver biologischer Datensätze enthüllt werden kann, was einen klareren Weg zum Verständnis der grundlegenden Regeln des Lebens eröffnet.