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

सूक्ष्मजीवी जीवन की अदृश्य दुनिया में, बैक्टीरिया लगातार अनुकूलन कर रहे हैं। जब उन्हें उन्हें मारने के लिए डिज़ाइन की गई दवाओं के संपर्क में लाया जाता है, तो सबसे मजबूत जीवित बचे बैक्टीरिया प्रतिरोध करना सीख जाते हैं, और अपनी रक्षा प्रणाली को अपनी अगली पीढ़ी को हस्तांतरित करते हैं। यह घटना, जिसे एंटीमाइक्रोबियल रेजिस्टेंस (रोगाणुरोधी प्रतिरोध) के रूप में जाना जाता है, एक बढ़ता हुआ संकट है जो सामान्य संक्रमणों को कठिन या असंभव बनाने का खतरा पैदा करता है। वैज्ञानिकों के लिए एक प्रमुख चिंता यह है कि यह प्रतिरोध जानवरों से मनुष्यों में कैसे फैलता है। कई स्थानों पर, किसान पोल्ट्री को स्वस्थ रखने और उन्हें बढ़ने में मदद करने के लिए एंटीबायोटिक्स का उपयोग करते हैं। हालांकि, इन दवाओं के अवशेष हमारे द्वारा खाए जाने वाले मांस में रह सकते हैं। प्रचलित सिद्धांत यह है कि दवा की ये सूक्ष्म, बची हुई मात्राएं साल्मोनेला (Salmonella) जैसे बैक्टीरिया पर एक निरंतर, निम्न-स्तरीय दबाव के रूप में कार्य करती हैं, जिससे वे मानव मेजबान तक पहुँचने से पहले ही प्रतिरोध विकसित करने के लिए मजबूर हो जाते हैं। यदि यह सच है, तो चिकन में पाया जाने वाला दवा का अवशेष उन प्रतिरोध स्तरों के लिए एक प्रारंभिक चेतावनी संकेत के रूप में काम कर सकता है जो हम बीमार रोगियों में देख सकते हैं।

चुनौती यह है कि इस कड़ी को साबित करना अविश्वसनीय रूप से कठिन है। ऐसा करने के लिए, शोधकर्ताओं को खेत से चिकन के एक विशिष्ट टुकड़े को ट्रैक करने, उसके भीतर एंटीबायोटिक अवशेष की सटीक मात्रा को मापने और फिर मानव रोगी में उसी सटीक स्ट्रेन के बैक्टीरिया को खोजने की आवश्यकता होगी ताकि यह देखा जा सके कि क्या उस व्यक्ति का संक्रमण प्रतिरोधी है। वास्तविक दुनिया में ऐसा सटीक रूप से मेल खाने वाला डेटा शायद ही कभी मौजूद होता है। इस अंतर के कारण, सीरियन वर्चुअल यूनिवर्सिटी की एक शोधकर्ता, यारा अल-हलाक ने एक अलग दृष्टिकोण अपनाया। डेटा के उपलब्ध होने की प्रतीक्षा करने के बजाय, उन्होंने यह परीक्षण करने के लिए कंप्यूटर के भीतर एक नियंत्रित, कृत्रिम दुनिया बनाई कि क्या आधुनिक उपकरण उस संबंध को पहचान सकते हैं यदि वह वहां मौजूद हो। उन्होंने 2,500 काल्पनिक मानव मामलों का एक सिमुलेशन बनाया, जिनमें से प्रत्येक को पोल्ट्री में एंटीबायोटिक अवशेष के एक विशिष्ट स्तर से जोड़ा गया था। इस डिजिटल प्रयोग में, उन्होंने नियमों को इस तरह प्रोग्राम किया कि उच्च अवशेष स्तर बैक्टीरिया को अधिक प्रतिरोधी बनाने की संभावना रखते थे, जो उस जैविक सिद्धांत की नकल करता था जिसे वह परीक्षण करना चाहती थीं। फिर उन्होंने एक कंप्यूटर को इस डेटा से पैटर्न सीखने के लिए कहा, जिसे मशीन लर्निंग कहा जाता है, जो सॉफ्टवेयर को जटिल संबंधों को खोजने की अनुमति देता है बिना यह बताए कि पहेली को कैसे हल करना है।

अध्ययन ने चार सामान्य एंटीबायोटिक दवाओं और चार अलग-अलग क्षेत्रों पर ध्यान केंद्रित किया, जिससे एक ऐसी स्थिति बनी जहाँ कंप्यूटर को यह तय करना था कि संक्रमण प्रतिरोधी है या नहीं, जो दवा के प्रकार, स्थान और मौजूद अवशेष की मात्रा पर आधारित हो। परीक्षण को वास्तविक और कठिन बनाने के लिए, शोधकर्ता ने जानबूझकर डेटा को इस तरह डिजाइन किया कि प्रतिरोधी और गैर-प्रतिरोधी बैक्टीरिया में दवा के स्तर काफी हद तक ओवरलैप (एक दूसरे के ऊपर आ जाना) होते थे। इसका अर्थ था कि कंप्यूटर केवल एक संख्या को देखकर उत्तर का अनुमान नहीं लगा सकता था; उसे अवशेष और परिणाम के बीच व्यापक संबंध को समझना था। कंप्यूटर को समस्या को हल करने के तीन अलग-अलग तरीके दिए गए थे: एक सरल विधि जो केवल दवा के प्रकार और स्थान को देखती थी, एक मानक सांख्यिकीय विधि, और एक अधिक उन्नत विधि जिसे रैंडम फॉरेस्ट (Random Forest) कहा जाता है, जो जटिल, गैर-रेखीय पैटर्न को संभालने के लिए डिज़ाइन की गई है।

जब परिणामों का विश्लेषण किया गया, तो सरल विधि जिसने अवशेष स्तरों को अनदेखा कर दिया था, वह रैंडम गेसिंग (यादृच्छिक अनुमान) से बेहतर प्रदर्शन नहीं कर सकी, और केवल लगभग 63 प्रतिशत सटीकता प्राप्त की। इसने पुष्टि की कि केवल एंटीबायोटिक के प्रकार या क्षेत्र को जानना प्रतिरोध की भविष्यवाणी करने के लिए पर्याप्त नहीं था। हालांकि, जब कंप्यूटर को वास्तविक अवशेष स्तरों और बैक्टीरिया की ड्रग सेंसिटिविटी डेटा का उपयोग करने की अनुमति दी गई, तो इसके प्रदर्शन में नाटकीय उछाल आया। सबसे उन्नत मॉडल, अनुकूलित रैंडम फॉरेस्ट ने लगभग 80 प्रतिशत मामलों में सही ढंग से परिणाम की पहचान की। यह प्रतिरोधी मामलों को पहचानने में विशेष रूप से अच्छा था, जिसने 91 प्रतिशत बार उन्हें सही ढंग से चिह्नित किया। कंप्यूटर ने साक्ष्यों को सही ढंग से तौलना भी सीख लिया; इसने निर्धारित किया कि एंटीबायोटिक अवशेष की मात्रा सबसे महत्वपूर्ण कारक था, जो दवा के प्रकार या भौगोलिक स्थान से कहीं अधिक प्रभावी था।

कंप्यूटर यह सुनिश्चित करने के लिए कि वह केवल उत्तरों को रट नहीं रहा है, शोधकर्ताओं ने परिणामों को सत्यापित करने के लिए डेटा को विभिन्न समूहों में विभाजित करने वाली एक तकनीक का उपयोग किया। मॉडल इन परीक्षणों में स्थिर और सटीक बना रहा। इसके अलावा, शोधकर्ताओं ने कंप्यूटर के निर्णय लेने की प्रक्रिया के "ब्लैक बॉक्स" के अंदर झांकने के लिए SHAP नामक एक टूल का उपयोग किया। इस टूल ने खुलासा किया कि कंप्यूटर ने अपने चुनाव क्यों किए, यह दिखाते हुए कि उच्च अवशेष स्तर लगातार भविष्यवाणी को प्रतिरोध की ओर ले जाते थे, जबकि निम्न स्तर संवेदनशीलता की ओर ले जाते थे। इस पारदर्शिता ने सिद्ध किया कि मॉडल उस विशिष्ट जैविक नियम को सीख रहा था जो सिमुलेशन में प्रोग्राम किया गया था, न कि डेटा में कोई यादृच्छिक ट्रिक ढूंढ रहा था।

इन सफलताओं के बावजूद, अध्ययन के साथ एक महत्वपूर्ण चेतावनी जुड़ी है। पूरा डेटासेट सिंथेटिक (कृत्रिम) था; इसे नियमों द्वारा बनाया गया था, न कि वास्तविक रोगियों या वास्तविक बैक्टीरिया को मापने से। इसलिए, परिणाम यह सिद्ध नहीं करते हैं कि पोल्ट्री में एंटीबायोटिक अवशेष वास्तव में मनुष्यों में प्रतिरोध का कारण बन रहे हैं। इसके बजाय, वे यह सिद्ध करते हैं कि अध्ययन में उपयोग किया गया कंप्यूटर पाइपलाइन ऐसा लिंक खोजने में सक्षम है यदि वह मौजूद हो। यह शोध दर्शाता है कि यदि वैज्ञानिक भविष्य में वास्तविक दुनिया का डेटा एकत्र कर सकें जो पोल्ट्री अवशेष स्तरों को मानव नैदानिक मामलों से जोड़ता हो, तो इसी पद्धति का उपयोग तेजी से और स्पष्ट रूप से जोखिमों की जांच करने के लिए किया जा सकता है। फिलहाल, यह कार्य एक 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में खड़ा है, जो यह दिखाता है कि जब वास्तविक डेटा उपलब्ध होगा, तब सार्वजनिक स्वास्थ्य की रक्षा करने के लिए उपकरण तैयार हैं।