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

Imagina que eres un detective intentando resolver un misterio que se desarrolla a lo largo de nueve meses. El culpable es una bacteria escurridiza llamada Mycobacterium tuberculosis, que causa la enfermedad conocida como tuberculosis (TB). En el pasado, atrapar este germen y descubrir cómo derrotarlo requería una investigación muy lenta, costosa y con mucha gente: infectar ratones, tratarlos y luego esperar casi un año para ver si los ratones volvían a enfermarse. Era como esperar a que terminara una película en cámara lenta solo para ver si el héroe ganaba. Los científicos necesitan desesperadamente una forma más rápida de probar nuevas "recetas de cura total" (combinaciones de fármacos) porque los tratamientos actuales son demasiado largos, y los pacientes suelen dejar de tomarlos antes de terminar, lo que conduce a la aparición de superbacterias resistentes a los fármacos. Para acelerar esto, los investigadores han desarrollado dos "pistas" especiales que se pueden encontrar mucho antes: el número de bacterias que aún están vivas en los pulmones (llamado CFU) y una medida de qué tan ocupadas están las bacterias haciendo copias de sí mismas (llamada la razón RS). Piensa en la CFU como contar cuántos sospechosos se esconden en una casa, y la razón RS como comprobar si los sospechosos están empacando frenéticamente sus maletas para huir o si simplemente están sentados sin hacer nada.

Este artículo trata sobre la construcción de un detective informático superinteligente que pueda observar estas pistas tempranas —obtenidas tras solo cuatro semanas de tratamiento— y predecir si una combinación de fármacos específica curará realmente a los ratones a largo plazo. Los investigadores recopilaron datos de nueve experimentos diferentes que involucraron 58 combinaciones de fármacos únicas y más de 2,000 observaciones de ratones mejorando o empeorando. Alimentaron esta información en un modelo matemático, enseñándole a detectar patrones entre las pistas a corto plazo y el resultado a largo plazo. El resultado es una herramienta que puede clasificar nuevas recetas de fármacos basándose en solo un mes de datos, en lugar de esperar nueve meses. El modelo sugiere que, al usar estas pistas tempranas, los científicos pueden identificar rápidamente los tratamientos más prometedores y saltarse los que probablemente fallarán, ahorrando tiempo, dinero y miles de ratones. Aunque las predicciones de la computadora son muy precisas (acertando el 90% de las veces en las pruebas), los autores señalan que para fármacos completamente nuevos, la pista de la "actividad" (la razón RS) es especialmente útil, mientras que para fármacos conocidos, contar las bacterias podría ser suficiente si también se conoce qué tan bueno es cada fármaco para esterilizar la infección.

El nuevo atajo del detective

La tuberculosis es un enemigo obstinado. Durante décadas, la única forma de saber si una nueva mezcla de fármacos funcionaría era jugar un juego muy largo con ratones. Infectabas a los ratones, les dabas medicina y luego esperabas nueve meses completos para ver si las bacterias regresaban. Era un proceso lento y con un gran consumo de recursos que dificultaba probar las cientos de nuevas combinaciones de fármacos que los científicos estaban imaginando. Pero, ¿y si pudieras echar un vistazo a la evidencia después de solo un mes y conocer el final? Eso es exactamente lo que este equipo se propuso hacer.

Se centraron en dos "pistas" específicas que se pueden recolectar rápidamente:

1. CFU (Unidades Formadoras de Colonias): Esta es una cuenta de cuántas bacterias siguen vivas y capaces de crecer en los pulmones del ratón. Es como contar el número de intrusos que aún se esconden en la casa.
2. Razón RS: Esta es una medida de la "salud" o actividad de las bacterias. Específicamente, observa la proporción de ARN ribosomal inmaduro frente al maduro. Piensa en ello como revisar la "lista de tareas" de las bacterias. Si la lista está llena de tareas sin terminar, las bacterias están estresadas y muriendo. Si la lista está limpia, podrían estar simplemente descansando, pero siguen siendo peligrosas.

Los investigadores construyeron un modelo computacional —un cerebro informático sofisticado— para aprender la relación entre estas pistas a corto plazo y el resultado a largo plazo (si los ratones permanecían curados). No solo adivinaron; entrenaron el modelo utilizando datos de 58 regímenes de fármacos diferentes a través de nueve experimentos separados. Estos experimentos involucraron diferentes tipos de ratones, diferentes cepas de bacterias y diversas formas de infectarlos, lo que hace que los datos sean muy robustos.

Lo que encontró la computadora

El modelo aprendió que podía predecir el futuro con una precisión impresionante. Cuando se probó con datos que no había visto antes, la computadora acertó la predicción aproximadamente el 90% de las veces (específicamente, un área bajo la curva del receptor de 0.90). Esto significa que puede distinguir con éxito entre una mezcla de fármacos que curará a los ratones en dos meses y una que tardará cuatro meses o que fallará por completo.

Aquí está la parte ingeniosa: el modelo se dio cuenta de que, para algunos fármacos, solo contar las bacterias (CFx) no era suficiente para contar toda la historia. Algunos fármacos matan a las bacterias pero no evitan que se "despierten" más tarde (no esterilizantes), mientras que otros realmente esterilizan la infección. Para solucionar esto, el modelo utiliza la razón RS como un factor de desempate. Sugiere que para fármacos completamente nuevos donde aún no conocemos su "poder de esterilización", la razón RS es una pista crucial para ver si las bacterias han sido realmente derrotadas. Sin embargo, para los fármacos que ya conocemos bien (como la rifampicina o la bedaquilina), el modelo encontró que si se tiene en cuenta su capacidad conocida para esterilizar la infección, es posible que ni siquiera se necesite la razón RS; la cuenta bacteriana por sí sola puede hacer el trabajo.

El estudio también demostró que este método funciona incluso al comparar experimentos realizados en diferentes laboratorios con diferentes condiciones. El modelo aprendió a ajustarse a estas diferencias, actuando como un traductor universal que asegura que un fármaco probado en un laboratorio pueda compararse justamente con uno probado en otro.

El veredicto

Los autores confían en que esta herramienta puede cambiar la forma en que desarrollamos curas para la TB. Al utilizar este modelo, los científicos pueden probar muchas más combinaciones de fármacos en una fracción del tiempo y con muchos menos ratones. En lugar de esperar nueve meses para ver si una receta funciona, pueden realizar un experimento de cuatro semanas, introducir los resultados en la computadora y obtener una clasificación de qué recetas valen la pena perseguir.

Sin embargo, el artículo advierte cuidadosamente que este es un modelo de predicción, no una varita mágica. El modelo funciona mejor para regímenes de cuatro fármacos; tuvo algunas dificultades con una combinación específica de tres fármacos en sus pruebas, lo que sugiere que los regímenes muy cortos podrían necesitar un escrutinio adicional. Además, aunque la computadora es excelente prediciendo resultados basados en los datos que ha visto, todavía depende de la calidad del experimento inicial de cuatro semanas. Si los datos a corto plazo tienen mucho "ruido", la predicción podría tambalearse.

En última instancia, esta investigación sugiere un nuevo flujo de trabajo: realizar una prueba rápida de cuatro semanas, medir el recuento de bacterias y su "nivel de actividad", y dejar que la computadora le diga qué combinaciones de fármacos son las verdaderas heroínas. Esto podría acelerar el camino desde el laboratorio hasta la cama del paciente, trayendo potencialmente tratamientos más cortos y efectivos a los millones de personas que aún sufren de tuberculosis hoy en día.