Optimization of sequential therapies to maximize extinction of resistant bacteria through collateral sensitivity

Enunciato del Problema
La resistenza antimicrobica (AMR) rappresenta una minaccia critica per la salute globale, con lo sviluppo di nuovi antibiotici che non riesce a tenere il passo con l'evoluzione della resistenza. Sebbene le terapie combinate (somministrazione simultanea di più farmaci) siano una strategia comune, comportano rischi di tossicità e possono talvolta accelerare la resistenza. Le terapie sequenziali, che somministrano gli antibiotici uno dopo l'altro, offrono un'alternativa promettente basata sul fenomeno della sensibilità collaterale (CS). La CS si verifica quando la resistenza batterica a un antibiotico aumenta la sensibilità a un altro. Nonostante il potenziale dei regimi sequenziali guidati dalla CS, manca una progettazione quantitativa per ottimizzare i tempi di cambio farmaco al fine di massimizzare l'estinzione batterica, in particolare sotto concentrazioni antibiotiche subinibitorie dove l'evoluzione della resistenza è una preoccupazione significativa.

Metodologia
Gli autori sviluppano un modello stocastico di nascita-morte a quattro genotipi per simulare la dinamica evolutiva intra-ospite sotto due antibiotici batteriostatici (A e B). Il modello traccia quattro popolazioni batteriche:

• $x_0$: Tipo selvatico (sensibile a entrambi).
• $x_1$: Resistente ad A, sensibile a B.
• $x_2$: Resistente a B, sensibile ad A.
• $x_3$: Doppio resistente (resistente a entrambi).

Le caratteristiche chiave del modello includono:

• Dinamiche Stocastiche: Il sistema utilizza un algoritmo tau-leaping per simulare eventi di nascita, morte e mutazione ($\mu_1$ per l'acquisizione della resistenza, $\mu_2$ per la sua perdita).
• Cambio Sequenziale: Le simulazioni iniziano con l'antibiotico A. Dopo un periodo di cambio $\tau$, l'antibiotico passa a B, poi di nuovo ad A, e così via, per una durata totale fissa del trattamento $T$.
• Criteri di Estinzione: Una popolazione è considerata estinta se scende al di sotto di una soglia di $0.05\gamma^{-1}$ (circa 5 individui), dove $\gamma$ è correlato alla capacità portante.
• Parametri: Lo studio si concentra su concentrazioni subinibitorie ($k=0.5$, rappresentante l'IC50) e forte CS reciproca ($k_{CS}=0.05$).

Contributi e Risultati Chiave

1. Dipendenza Non Lineare dal Periodo di Cambio:
   La probabilità di estinzione batterica dipende in modo non lineare dal periodo di cambio $\tau$.

   • Cambio rapido ($\tau \to 0$): Non comporta estinzione perché non c'è tempo sufficiente affinché i mutanti resistenti evolvano e dominino.
   • Cambio ottimale: La probabilità di estinzione aumenta con $\tau$ ed esibisce salti graduali allineati con eventi di cambio discreti (ad esempio, l'aumento da 1 a 2 cambi).
   • Meccanismo: Gli eventi di estinzione si verificano poco dopo un cambio. Affinché si verifichi l'estinzione, la popolazione deve prima evolvere fino a essere dominata da un genotipo mono-resistente (ad esempio, $x_1$ sotto il farmaco A). Quando il farmaco passa a B, questa popolazione dominante (ora sensibile) collassa. Se la popolazione contiene numeri significativi di altri genotipi (tipo selvatico o doppio resistente), l'estinzione è meno probabile.

2. Quadro della Distribuzione Geometrica:
   Gli autori propongono che l'estinzione possa essere modellata come una serie di prove di Bernoulli (lanci di moneta) ad ogni cambio.

   • Adattano la probabilità cumulativa di estinzione a una distribuzione geometrica gerarchica, $P_{ext} = 1 - (1 - p)^n$, dove $p$ è la probabilità di estinzione per cambio e $n$ è il numero di cambi.
   • La probabilità per cambio $p$ non è costante; aumenta con il periodo di cambio $\tau$ e dipende dal numero di cambi $n$. Un adattamento della forma $p = \alpha\tau + \beta n$ prevede accuratamente le probabilità cumulative di estinzione.

3. Approssimazione Euristic:
   Gli autori derivano un'euristica analitica per $p(\tau)$ basata su tre distribuzioni temporali chiave:

   • Tempo affinché i mutanti mono-resistenti dominino la popolazione.
   • Tempo fino all'estinzione seguito da un cambio.
   • Probabilità di non-dominanza da parte di mutanti mono-resistenti.
     La formula risultante, $p(\tau) = p_d(\tau)[1 - p_r(\tau)]$, dove $p_d$ è la probabilità di decadimento e $p_r$ è la probabilità di non-dominanza, corrisponde con successo ai dati di simulazione.

4. Sensibilità ai Parametri:

   • Sensibilità Collaterale (CS): Una forte CS reciproca è una condizione necessaria per l'estinzione a dosi subinibitorie. Man mano che la CS si indebolisce ($k_{CS}$ aumenta), la probabilità di estinzione scende a quasi zero.
   • Dose Antibiotica: La relazione tra dose ed estinzione è unimodale. A dosi molto elevate (vicino alla MIC), l'estinzione si verifica indipendentemente dal cambio. A dosi subinibitorie intermedie, esiste una dose ottimale che massimizza l'estinzione. A dosi molto basse, la probabilità di estinzione diminuisce perché il flusso di mutanti resistenti rallenta.
   • Tassi di Mutazione: Similmente alla dose, la probabilità di estinzione mostra una dipendenza unimodale dai tassi di mutazione. Tassi di mutazione elevati possono portare all'emergere di ceppi doppio-resistenti ($x_3$), riducendo l'efficacia dell'estinzione.

5. Frontiera di Pareto delle Terapie Ottimali:
   Esiste un compromesso tra massimizzare l'estinzione e minimizzare l'emergere di mutanti doppio-resistenti.

   • Terapie più lunghe (più cambi) aumentano la probabilità di estinzione ma aumentano anche la probabilità che $x_3$ appaia se la popolazione sopravvive.
   • Gli autori identificano una frontiera di Pareto di periodi di cambio ottimali. Per i parametri studiati, un periodo di cambio di $\tau \approx 42$ è più probabile che si trovi su questa frontiera, permettendo ai clinici di scegliere tra massimizzare l'estinzione o minimizzare la resistenza regolando il numero di cambi $n$.

Significato e Affermazioni
Il documento afferma di fornire principi di progettazione quantitativi per terapie antibiotiche sequenziali in vitro e cliniche. Dimostrando che una forte CS può portare all'eradicazione batterica anche a concentrazioni subinibitorie (dove le monoterapie falliscono), lo studio sottolinea il potenziale dei regimi guidati dalla CS per sopprimere l'evoluzione della resistenza.

Gli autori sottolineano che il loro quadro stocastico cattura direttamente le dinamiche di estinzione, a differenza dei precedenti modelli deterministici che non possono prevedere l'eradicazione. Sostengono che la chiave del successo non è solo l'esistenza della CS, ma il tempismo del cambio: bisogna attendere abbastanza a lungo affinché un mutante mono-resistente domini la popolazione prima di cambiare, ma non così tanto da far emergere la doppia resistenza. L'identificazione di una frontiera di Pareto offre un quadro pratico per bilanciare i due obiettivi di eradicare l'infezione e prevenire l'evoluzione della pan-resistenza.

Lo studio conclude che, sebbene il modello sia minimale (due farmaci, quattro genotipi), isola i meccanismi fondamentali del cambio guidato dalla CS e suggerisce che le terapie sequenziali rappresentano un'opportunità ricca per affrontare la crisi degli antibiotici, con potenziali estensioni al trattamento del cancro e a scale epidemiologiche.