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

Imaginez que vous êtes un détective tentant de résoudre un mystère qui se déroule sur neuf mois. Le coupable est une bactérie sournoise appelée Mycobacterium tuberculosis, qui cause la maladie connue sous le nom de tuberculose (TB). Par le passé, attraper ce germe et comprendre comment le vaincre nécessitait une enquête très lente, coûteuse et encombrante : infecter des souris, les traiter, puis attendre près d'un an pour voir si les souris retombaient malades. C'était comme attendre la fin d'un film au ralenti juste pour voir si le héros l'emporte. Les scientifiques ont désespérément besoin d'un moyen plus rapide de tester de nouvelles « recettes de remèdes miracles » (combinaisons de médicaments) car les traitements actuels sont trop longs, et les patients arrêtent souvent de les prendre avant la fin, ceما entraînant l'apparition de super-bactéries résistantes aux médicaments. Pour accélérer les choses, les chercheurs ont développé deux « indices » spéciaux qu'ils peuvent trouver beaucoup plus tôt : le nombre de bactéries encore vivantes dans les poumons (appelé CFU) et une mesure de l'activité avec laquelle les bactéries font des copies d'elles-mêmes (appelée ratio RS). Considérez les CFU comme le fait de compter combien de suspects se cachent dans une maison, et le ratio RS comme le fait de vérifier si ces suspects sont en train de préparer frénétiquement leurs valises pour s'enfuir ou s'ils sont simplement assis là sans rien faire.

Ce document traite de la construction d'un détective informatique super intelligent capable d'examiner ces indices précoces — prélevés après seulement quatre semaines de traitement — et de prédire si une combinaison de médicaments spécifique guérira réellement les souris sur le long terme. Les chercheurs ont recueilli des données provenant de neuf expériences différentes impliquant 58 combinaisons de médicaments uniques et plus de 2 000 observations de souris guérissant ou non. Ils ont injecté ces informations dans un modèle mathématique, lui apprenant à repérer des schémas entre les indices à court terme et le résultat à long terme. Le résultat est un outil capable de classer les nouvelles recettes de médicaments en se basant sur seulement un mois de données, plutôt que d'attendre neuf mois. Le modèle suggère qu'en utilisant ces indices précoces, les scientifiques peuvent identifier rapidement les traitements les plus prometteurs et écarter ceux qui sont susceptibles d'échouer, économisant ainsi du temps, de l'argent et des milliers de souris. Bien que les prédictions de l'ordinateur soient très précises (atteignant 90 % de réussite lors des tests), les auteurs notent que pour les médicaments totalement nouveaux, l'indice de l'« activité » (ratio RS) est particulièrement utile, tandis que pour les médicaments connus, le simple comptage des bactéries pourrait suffire si l'on connaît également leur capacité à stériliser l'infection.

Le nouveau raccourci du détective

La tuberculose est un ennemi tenace. Depuis des décennies, la seule façon de savoir si un nouveau mélange de médicaments fonctionnerait était de jouer une partie très longue avec des souris. On les infectait, on leur donnait des médicaments, puis on attendait neuf mois complets pour voir si les bactéries revenaient. C'était un processus lent et gourmand en ressources qui rendait difficile le test des centaines de nouvelles combinaisons de médicaments dont les scientifiques rêvaient. Mais et si vous pouviez jeter un coup d'œil aux preuves après seulement un mois et connaître la fin ? C'est exactement ce que cette équipe a entrepris de faire.

Ils se sont concentrés sur deux « indices » spécifiques qui peuvent être recueillis rapidement :

1. CFU (Unités Formant Colonie) : Il s'agit d'un décompte des bactéries qui sont encore vivantes et capables de croître dans les poumons de la souris. C'est comme compter le nombre d'intrus qui se cachent encore dans la maison.
2. Ratio RS : Il s'agit d'une mesure de la « santé » ou de l'activité des bactéries. Plus précisément, il examine le rapport entre l'ARN ribosomal immature et le mature. Voyez cela comme le fait de vérifier la « liste de tâches » des bactéries. Si la liste est pleine de tâches inachevées, les bactéries sont stressées et mourantes. Si la liste est vide, elles sont peut-être juste au repos, mais restent dangereuses.

Les chercheurs ont construit un modèle computationnel — un cerveau informatique sophistiqué — pour apprendre la relation entre ces indices à court terme et le résultat à long terme (si les souris restaient guéries). Ils n'ont pas simplement deviné ; ils ont entraîné le modèle en utilisant des données de 58 différents régimes médicamenteux à travers neuf expériences distinctes. Ces expériences impliquaient différents types de souris, différentes souches de bactéries et diverses méthodes d'infection, rendant les données très robustes.

Ce que l'ordinateur a découvert

Le modèle a appris qu'il pouvait prédire l'avenir avec une précision impressionnante. Lorsqu'il a été testé sur des données qu'il n'avait pas vues auparavant, l'ordinateur a donné la bonne prédiction environ 90 % du temps (plus précisément, une aire sous la courbe du récepteur de 0,90). Cela signifie qu'il peut distinguer avec succès un mélange de médicaments qui guérira les souris en deux mois d'un autre qui prendra quatre mois ou échouera totalement.

Voici la partie ingénieuse : le modèle a réalisé que pour certains médicaments, le simple comptage des bactéries (CFU) ne suffisait pas à raconter toute l'histoire. Certains médicaments tuent les bactéries mais ne les empêchent pas de se « réveiller » plus tard (non-stérilisants), tandis que d'autres stérilisent réellement l'infection. Pour corriger cela, le modèle utilise le ratio RS comme un élément de départage. Il suggère que pour les médicaments totalement nouveaux dont nous ne connaissons pas encore le « pouvoir de stérilisation », le ratio RS est un indice crucial pour voir si les bactéries sont véritablement vaincues. Cependant, pour les médicaments que nous connaissons bien (comme la rifampicine ou la bédaquiline), le modèle a trouvé que si l'on tient compte de leur capacité connue à stériliser l'infection, vous pourriez même ne pas avoir besoin du ratio RS ; le décompte bactérien seul peut faire l'affaire.

L'étude a également montré que cette méthode fonctionne même lors de la comparaison d'expériences menées dans différents laboratoires avec des conditions différentes. Le modèle a appris à s'ajuster à ces différences, agissant comme un traducteur universel qui garantit qu'un médicament testé dans un laboratoire puisse être comparé équitablement à un médicament testé dans un autre.

Le verdict

Les auteurs sont convaincus que cet outil peut changer la façon dont nous développons les remèdes contre la tuberculose. En utilisant ce modèle, les scientifiques peuvent tester beaucoup plus de combinaisons de médicaments en une fraction du temps et avec beaucoup moins de souris. Au lieu d'attendre neuf mois pour voir si une recette fonctionne, ils peuvent mener une expérience de quatre semaines, injecter les résultats dans l'ordinateur et obtenir un classement des recettes qui valent la peine d'être poursuivies.

Cependant, l'article note prudemment que ceci est un outil de prédiction, et non une baguette magique. Le modèle fonctionne mieux pour les régimes comprenant quatre médicaments ; il a eu un peu de mal avec une combinaison spécifique de trois médicaments lors de ses tests, suggérant que les régimes très courts pourraient nécessiter une attention particulière. De plus, bien que l'ordinateur soit excellent pour prédire les résultats basés sur les données qu'il a reçues, il dépend toujours de la qualité de l'expérience initiale de quatre semaines. Si les données à court terme sont bruitées, la prédiction pourrait vaciller.

En fin de compte, cette recherche suggère un nouveau flux de travail : réaliser un test rapide de quatre semaines, mesurer le nombre de bactéries et leur « niveau d'activité », et laisser l'ordinateur vous dire quelles combinaisons de médicaments sont les véritables héros. Cela pourrait accélérer le passage de la paillasse du laboratoire au chevet du patient, apportant potentiellement des traitements plus courts et plus efficaces aux millions de personnes qui souffrent encore de la tuberculose aujourd'hui.