An Ensemble Deep Learning Framework for Single-Cell Phenotypic Profiling of Escherichia coli under Antibiotic Stress

Bakterien sind keine statischen Punkte; sie sind lebende Maschinen, die ihre Form und ihre innere Struktur ändern, wenn sie sich bedroht fühlen. Wenn ein Bakterium auf ein Antibiotikum trifft, verharrt es nicht einfach reglos und wartet darauf, getötet zu werden. Stattdessen reagiert es. Einige Zellen strecken sich aus, andere ziehen sich zusammen, und die verhedderten DNA-Stränge in ihrem Inneren können verklumpen oder auseinanderbrechen. Diese physischen Veränderungen sind die Art und Weise, wie die Zelle Notlage signalisiert oder, in einigen Fällen, eine Verteidigung aufbaut. Jahrzehntelang haben sich Wissenschaftler darauf verlassen, darauf zu warten, dass Bakterien in einer Schale wachsen, um zu sehen, ob ein Medikament wirkt – ein Prozess, der einen vollen Tag oder länger dauern kann. Diese Verzögerung ist gefährlich in einer Welt, in der antibiotikaresistente Infektionen zunehmen und einst behandelbare Krankheiten in lebensbedrohliche Krisen verwandeln. Um den Kampf zu beschleunigen, suchen Forscher nun nach Wegen, diese winzigen physischen Veränderungen sofort zu lesen, indem sie das eigene Erscheinungsbild der Zelle als Landkarte nutzen, um zu verstehen, was im Inneren geschieht.

Ein Forschungsteam hat eine neue Methode entwickelt, um genau dies zu tun: Es hat ein System geschaffen, das ein einzelnes Bakterium betrachten und Ihnen genau sagen kann, welches Antibiotikum es angreift. Sie konzentrierten sich auf Escherichia coli, ein häufiges Bakterium, das oft dazu verwendet wird, die Wirkung von Medikamenten zu untersuchen. In ihrem Labor setzten sie diese Bakterien vier verschiedenen Arten von Antibiotika aus, von denen jede darauf ausgelegt ist, die Zelle auf eine einzigartige Weise anzugreifen. Ein Wirkstoff stoppte die Zelle daran, Proteine herzustellen, ein anderer verhinderte den Aufbau einer starken Außenwand, ein dritter störte das interne Gerüst, das die Zelle stäbchenförmig hält, und ein vierter blockierte die Kopie ihres genetischen Materials. Um die Ergebnisse zu sehen, machten sie hochauflösende Fotografien der Bakterien und verwendeten spezielle Farbstoffe, die die äußere Membran der Zelle rot leuchten ließen und die interne DNA blau leuchten ließen.

Die Herausforderung bestand darin, dass diese Veränderungen subtil sind und in einem Maßstab stattfinden, der für das menschliche Auge zu klein ist, um sie schnell zu sortieren. Um dies zu lösen, bauten die Forscher ein Computersystem auf Basis von Deep Learning, einer Art künstlicher Intelligenz, die lernt, indem sie tausende von Beispielen betrachtet. Zuerst brachten sie dem Computer bei, einzelne Bakterien in den überfüllten Mikroskopbildern zu finden und sie auszuschneiden, so wie man eine einzelne Person aus einer überfüllten Fotografie isoliert. Sie speisten diese isolierten Bilder dann in eine Suite von dreizehn verschiedenen Computermodellen ein. Einige dieser Modelle wurden entwickelt, um Muster in Formen zu erkennen, während andere darauf ausgelegt waren, die Beziehungen zwischen verschiedenen Teilen eines Bildes zu verstehen, ganz ähnlich wie ein Mensch, der in ein Gesicht blickt und die Verbindung zwischen den Augen und dem Mund erkennt.

Die Forscher fanden heraus, dass einige dieser Computermodelle zwar recht gut darin waren, das richtige Antibiotikum zu erraten, aber keines von ihnen für sich allein perfekt war. Das beste Einzelmodell, das eine hochentwickelte Architektur namens Swin Transformer nutzte, identifizierte das Medikament korrekt in etwa 91 Prozent der Fälle. Das Team stellte jedoch fest, dass sie durch die Kombination der Meinungen mehrerer verschiedener Modelle noch besser werden konnten. Sie erstellten ein „Ensemble“, ein System, bei dem der Computer drei verschiedene Experten fragt – den Swin Transformer, ein Modell namens CoT und ein klassisches Modell namens ResNet18 –, um über die Antwort abzustimmen. Durch die sorgfältige Gewichtung dieser Stimmen erreichte das System eine neue Genauigkeitsstufe und identifizierte das Antibiotikum in 94 Prozent der Fälle korrekt. Dieser Ansatz bewies, dass es zuverlässiger ist, auf die Meinung einer Gruppe vielfältiger KI-Modelle zu hören, als sich nur auf eines zu verlassen.

Das System lernte nicht nur, das Medikament zu erraten, sondern beschrieb auch genau, wie sich die Bakterien veränderten. Es konnte zwischen einer Zelle, die kugelig geworden war, weil ihre Wand versagte, und einer Zelle, die sich gestreckt hatte, weil ihre interne Struktur beschädigt war, unterscheiden. So lernte das System beispielsweise, dass wenn ein spezifisches Medikament die DNA-Kopie blockierte, die Bakterien ihre Stäbchenform behielten, aber ihre internen DNA-Stränge lang und gestreckt wurden. Wenn ein anderes Medikament die Proteinproduktion stoppte, blieben die Bakterien stäbchenförmig, aber ihre interne DNA wurde dicht gepackt. Diese spezifischen visuellen Signaturen ermöglichten es dem Computer, nicht nur das Medikament beim Namen zu nennen, sondern auch den Mechanismus zu verstehen, wie es die Zelle schädigte.

Die Studie legt nahe, dass diese Art der automatisierten, bildbasierten Analyse ein mächtiges Werkzeug im Kampf gegen Antibiotikaresistenz werden könnte. Anstatt Tage darauf zu warten, dass Bakterien wachsen, könnten Ärzte oder Forscher potenziell eine Probe nehmen, ein Foto machen und dieses System nutzen, um sofort zu sehen, wie die Bakterien reagieren. Die Forscher merkten an, dass ihr System zwar gut funktionierte, aber noch kein fertiges Produkt für Krankenhäuser ist. Sie wiesen darauf hin, dass sie es noch robuster machen müssten, indem sie es mit noch mehr Bildern trainieren und vielleicht mit Zeitraffer-Videos testen, um zu sehen, wie sich die Bakterien im Laufe der Zeit verändern. Dennoch zeigt die Arbeit, dass wir durch das Lehren von Computern, die subtile Sprache bakterieller Formen zu sehen, die Wissenschaft schneller in Richtung des Verständnisses und der Bekämpfung der Ausbreitung antibiotikaresistenter Infektionen bewegen können.