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

Las bacterias no son motas estáticas; son máquinas vivas que cambian su forma y estructura interna cuando se sienten amenazadas. Cuando una bacteria encuentra un antibiótico, no se queda simplemente quieta esperando ser eliminada. En su lugar, reacciona. Algunas células se estiran, otras se encogen, y las enredadas hebras de ADN en su interior pueden agruparse o separarse. Estos cambios físicos son la forma en que la célula señala la angustia o, en algunos casos, despliega una defensa. Durante décadas, los científicos han dependido de esperar a que las bacterias crezcan en una placa para ver si un fármaco funciona, un proceso que puede tardar un día completo o más. Este retraso es peligroso en un mundo donde las infecciones resistentes a los medicamentos están aumentando, convirtiendo enfermedades que antes eran tratables en crisis que ponen en peligro la vida. Para acelerar la lucha, los investigadores buscan ahora formas de leer estos diminutos cambios físicos de forma instantánea, utilizando la propia apariencia de la célula como un mapa para comprender qué está sucediendo en su interior.

Un equipo de investigadores ha desarrollado un nuevo método para hacer precisamente esto, creando un sistema que puede observar una sola bacteria y decirle exactamente qué antibiótico la está atacando. Se centraron en Escherichia coli, una bacteria común que se utiliza con frecuencia para estudiar cómo funcionan los fármacos. En su laboratorio, expusieron estas bacterias a cuatro tipos diferentes de antibióticos, cada uno diseñado para atacar la célula de una manera única. Un fármaco impidió que la célula fabricara proteínas, otro evitó que construyera una pared exterior fuerte, un tercero interrumpió el andamiaje interno que mantiene la forma de bastón de la célula, y un cuarto bloqueó la copia de su material genético. Para ver los resultados, tomaron fotografías de alta resolución de las bacterias, utilizando tintes especiales que hacían que la membrana externa de la célula brillara en rojo y su ADN interno brillara en azul.

El desafío era que estos cambios son sutiles y ocurren a una escala demasiado pequeña para que el ojo humano pueda clasificarlos rápidamente. Para resolverlo, los investigadores construyeron un sistema informático basado en el aprendizaje profundo (deep learning), un tipo de inteligencia artificial que aprende observando miles de ejemplos. Primero, enseñaron a la computadora a encontrar bacterias individuales en las imágenes congestionadas del microscopio y a recortarlas, como si se aislara a una sola persona de una fotografía con mucha gente. Luego, introdujeron estas imágenes aisladas en un conjunto de trece modelos informáticos diferentes. Algunos de estos modelos fueron diseñados para reconocer patrones en las formas, mientras que otros fueron creados para comprender las relaciones entre diferentes partes de una imagen, de forma muy similar a como un humano podría mirar un rostro y reconocer la conexión entre los ojos y la boca.

Los investigadores descubrieron que, si bien algunos de estos modelos informáticos eran bastante buenos adivinando el antibiótico correcto, ninguno era perfecto por sí solo. El mejor modelo individual, que utilizaba una arquitectura sofisticada llamada Swin Transformer, identificaba correctamente el fármaco el 91 por ciento de las veces. Sin embargo, el equipo se dio cuenta de que, al combinar las opiniones de varios modelos diferentes, podían hacerlo aún mejor. Crearon un "ensamble", un sistema donde la computadora pide la opinión de tres expertos diferentes —el Swin Transformer, un modelo llamado CoaT y un modelo clásico llamado ResNet18— para que voten sobre la respuesta. Al ponderar estas votaciones cuidadosamente, el sistema alcanzó un nuevo nivel de precisión, identificando correctamente el antibiótico en el 94 por ciento de los casos. Este enfoque demostró que escuchar a un grupo de modelos de IA diversos es más fiable que depender de uno solo.

Más allá de simplemente adivinar el fármaco, el sistema también aprendió a describir exactamente cómo estaban cambiando las bacterias. Podía distinguir entre una célula que se había vuelto esférica porque su pared estaba fallando y una célula que se había estirado porque su estructura interna estaba dañada. Por ejemplo, el sistema aprendió que cuando un fármaco específico bloqueaba la copia del ADN, las bacterias mantenían su forma de bastón pero sus hebras de ADN interno se volvían largas y estiradas. Cuando otro fármaco detenía la producción de proteínas, las bacterias permanecían con forma de bastón pero su ADN interno se volvía densamente compactado. Estas firmas visuales específicas permitieron que la computadora no solo nombrara el fármaco, sino que también comprendiera el mecanismo de cómo estaba dañando a la célula.

El estudio sugiere que este tipo de análisis automatizado basado en imágenes podría convertirse en una herramienta poderosa para luchar contra la resistencia a los antibióticos. En lugar de esperar días a que las bacterias crezcan, los médicos o investigadores podrían potencialmente tomar una muestra, tomar una foto y usar este sistema para ver inmediatamente cómo están reaccionando las bacterias. Los investigadores señalaron que, aunque su sistema funcionaba bien, aún no es un producto terminado para los hospitales. Destacaron que, para que sea verdaderamente robusto, necesitarían entrenarlo con aún más imágenes y quizás probarlo con vídeos de lapso de tiempo (time-lapse) para ver cómo cambian las bacterias a lo largo del tiempo. No obstante, el trabajo demuestra que, al enseñar a las computadoras a ver el lenguaje sutil de las formas bacterianas, la ciencia puede avanzar más rápido hacia la comprensión y la detención de la propagación de las infecciones resistentes a los medicamentos.