Predicting Human Salmonella Antimicrobial Resistance from Poultry Antibiotic Residues: A Simulation-Based Machine Learning Proof-of-Concept with One Health Integration

Dans le monde invisible de la vie microscopique, les bactéries s'adaptent constamment. Lorsqu'elles sont exposées à des médicaments conçus pour les tuer, les survivants les plus forts apprennent à résister, transmettant ces défenses à leur progéniture. Ce phénomène, connu sous le nom de résistance aux antimicrobiens, est une crise croissante qui menace de rendre les infections courantes difficiles, voire impossibles à traiter. Une préoccupation majeure pour les scientifiques est la manière dont cette résistance se propage des animaux aux humains. Dans de nombreux endroits, les agriculteurs utilisent des antibiotiques pour maintenir la santé de la volaille et l'aider à croître. Cependant, des traces de ces médicaments peuvent subsister dans la viande que nous mangeons. La théorie dominante est que ces infimes quantités de médicaments restantes agissent comme une pression constante et de faible intensité sur des bactéries comme Salmonella, les forçant à évoler vers la résistance avant même d'atteindre un hôte humain. Si cela est vrai, alors la quantité de résidus médicamenteux trouvée dans un poulet pourrait servir de signal d'alarme précoce pour les niveaux de résistance que nous pourrions observer chez des patients malades.

Le défi réside dans le fait qu'il est extrêmement difficile de prouver ce lien. Pour ce faire, les chercheurs devraient suivre un morceau de poulet spécifique depuis une ferme, mesurer la quantité exacte de résidus antibiotiques à l'intérieur de celui-ci, puis trouver exactement la même souche de bactérie chez un patient humain pour voir si l'infection de cette personne est résistante. De telles données parfaitement appariées existent rarement dans le monde réel. À cause de cette lacune, une chercheuse de l'Université Virtuelle Syrienne, Yara Al-Hallak, a adopté une approche différente. Au lieu d'attendre des données qui n'existent pas encore, elle a construit un monde artificiel contrôlé à l'intérieur d'un ordinateur pour tester si les outils modernes pouvaient détecter la connexion si elle était présente. Elle a créé une simulation de 2 500 cas humains hypothétiques, chacun lié à un niveau spécifique de résidus antibiotiques dans la volaille. Dans cette expérience numérique, elle a programmé les règles de sorte que des niveaux de résidus plus élevés rendent les bactéries plus susceptibles d'être résistantes, imitant la théorie biologique qu'elle voulait tester. Elle a ensuite demandé à un ordinateur d'apprendre le modèle à partir de ces données, en utilisant une méthode appelée apprentissage automatique (machine learning), qui permet aux logiciels de trouver des relations complexes sans qu'on leur dise explicitement comment résoudre l'énigme.

L'étude s'est concentrée sur quatre antibiotiques courants et quatre régions différentes, créant un scénario où l'ordinateur devait décider si une infection humaine était résistante ou non en fonction du type de médicament, de l'emplacement et de la quantité de résidus présents. Pour rendre le test réaliste et difficile, la chercheuse a intentionnellement conçu les données de manière à ce que les niveaux de médicaments dans les bactéries résistantes et non résistantes se chevauchent de manière significative. Cela signifiait que l'ordinateur ne pouvait pas simplement regarder un chiffre unique et deviner la réponse ; il devait comprendre la relation plus large entre le résidu et le résultat. L'ordinateur a reçu trois façons différentes de résoudre le problème : une méthode simple qui ne regardait que le type de médicament et l'emplacement, une méthode statistique standard, et une méthode plus avancée connue sous le nom de Forêt Aléatoire (Random Forest), qui est conçue pour gérer des modèles non linéaires complexes.

Lorsque les résultats ont été analysés, la méthode simple qui ignorait les niveaux de résidus n'a pas été plus performante qu'un choix aléatoire, atteignant seulement environ 63 % de précision. Cela a confirmé que connaître seulement le type d'antibiotique ou la région ne suffisait pas à prédire la résistance. Cependant, lorsque l'ordinateur a pu utiliser les niveaux de résidus réels et les données de sensibilité aux médicaments des bactéries, ses performances ont bondi de manière spectaculaire. Le modèle le plus avancé, la Forêt Aléatoire optimisée, a identifié correctement le résultat dans près de 80 % des cas. Il était particulièrement efficace pour repérer les cas résistants, les signalant correctement 91 % du temps. L'ordinateur a également appris à pondérer les preuves correctement ; il a déterminé que la quantité de résidus antibiotiques était le facteur le plus important, dépassant de loin le type de médicament ou la situation géographique.

Pour s'assurer que l'ordinateur ne se contentait pas de mémoriser les réponses, les chercheurs l'ont testé en utilisant une technique qui divise les données en différents groupes afin de vérifier que les résultats restent cohérents. Le modèle est resté stable et précis à travers ces tests. De plus, les chercheurs ont utilisé un outil appelé SHAP pour regarder à l'intérieur de la « boîte noire » de la prise de décision de l'ordinateur. Cet outil a révélé précisément pourquoi l'ordinateur faisait ses choix, montrant que des niveaux de résidus élevés poussaient systématiquement la prédiction vers la résistance, tandis que des niveaux faibles la poussaient vers la sensibilité. Cette transparence a prouvé que le modèle apprenait la règle biologique spécifique qui avait été programmée dans la simulation, plutôt que de trouver un tour de passe-passe aléatoire dans les données.

Malgré ces succès, l'étude comporte une réserve cruciale. L'ensemble du jeu de données était synthétique ; il a été créé par des règles, et non par la mesure de patients ou de bactéries réels. Par conséquent, les résultats ne prouvent pas que les résidus d'antibiotiques dans la volaille causent réellement la résistance chez les humains. Ils prouvent plutôt que le pipeline informatique utilisé dans l'étude est capable de trouver un tel lien s'il existe. La recherche démontre que si les scientifiques peuvent un jour rassembler des données réelles reliant les niveaux de résidus dans la volaille aux cas cliniques humains, cette même méthode pourrait être utilisée pour évaluer les risques rapidement et de manière explicable. Pour l'instant, ce travail constitue une preuve de concept, montrant que les outils sont prêts pour le jour où les données réelles seront disponibles pour aider à protéger la santé publique.