Machine Learning Prediction of Antimicrobial Response in Pleurotus ostreatus Extracts Cultivated on Cassava Peel: A Proof-of-Concept Study

Immaginate il mondo di minuscoli invasori invisibili — batteri e funghi — che a volte ci rendono malati. Per molto tempo, abbiamo avuto armi speciali chiamate antibiotici per combatterli, ma questi invasori stanno diventando astuti. Stanno imparando come schivare le nostre armi, un problema che gli scienziati chiamano "resistenza antimicrobica". È come un gioco di nascondino in cui chi si nasconde diventa più bravo a nascondersi, e noi dobbiamo trovare nuovi modi per catturarli. Un'idea promettente è quella di guardare alla farmacia naturale della natura, specificamente ai funghi. Alcuni funghi, come il fungo ostrica (Pleurotus ostreatus), sono famosi per produrre sostanze chimiche che possono bloccare questi cattivi microbi nel loro cammino. Ancora più fantastico, questi funghi possono crescere su cose che di solito buttiamo via, come le bucce delle radici di cassava. Ma ecco la parte complicata: testare ogni singolo lotto di funghi contro ogni singolo germe è lento, costoso e richiede molto duro lavoro. Gli scienziati si chiedono se possano usare una "palla di cristallo" fatta di matematica e computer — chiamata Machine Learning — per indovinare quali estratti di funghi funzioneranno meglio prima ancora di iniziare i disordinati test di laboratorio.

Questo articolo è uno studio di "prova di concetto", un modo elegante per dire: "Proviamo un piccolo test per vedere se questa idea della palla di cristallo è anche solo possibile". I ricercatori hanno fatto crescere funghi ostrica su bucce di cassava e poi hanno creato due tipi di estratti liquidi da essi: uno usando l'alcol (etanolo) e uno usando l'acqua. Hanno testato questi liquidi contro sette diversi tipi di germi per vedere quanto bene riuscissero a fermare la crescita dei germi. Invece di limitarsi a guardare i risultati, hanno inserito tutti i dati in un programma per computer chiamato "Random Forest". Pensate a questo modello come a un detective super organizzato che cerca indizi — come il tipo di liquido usato per fare l'estratto, il tipo di germe che sta combattendo e la composizione chimica del lotto di funghi — per prevedere il risultato.

Il detective ha fatto un lavoro discreto in un compito specifico: prevedere la dimensione della "zona di inibizione". Immaginate di disegnare un cerchio su una piastra di Petri dove i germi non possono crescere; più grande è il cerchio, meglio funziona l'estratto del fungo. Il modello del computer riusciva a indovinare la dimensione di questo cerchio con un successo moderato, ottenendo un punteggio di accuratezza (R-quadrato) di 0,68. Era piuttosto bravo a indovinare che certi cerchi più grandi sarebbero avvenuti con determinate condizioni. L'indizio più importante che il detective ha trovato è stato il solvente di estrazione. Il fatto che l'estratto fosse stato preparato con alcol o con acqua contava molto di più delle minuscole differenze chimiche tra i lotti di funghi. Infatti, la specifica composizione chimica dei funghi ha contribuito pochissimo alla previsione.

Tuttavia, il detective si è scontrato con un muro quando ha cercato di prevedere qualcos'altro: la Concentrazione Minima Inibitoria (MIC). Questa è una misura di quanto sia necessario dell'estratto per fermare completamente il germe. Quando il computer ha cercato di indovinare se l'estratto fosse abbastanza forte da essere un "vincitore" o un "perdente", è stato poco performante, ottenendo la risposta corretta solo il 43% delle volte. Stava praticamente tirando a indovinare al buio. Questo ci dice che gli indizi che gli scienziati avevano — come la chimica del lotto e il tipo di germe — non erano sufficienti per distinguere tra un estratto forte e uno debole.

Quindi, qual è il verdetto? Lo studio suggerisce che il machine learning può essere un utile compagno per esplorare le medicine dai funghi, ma non è ancora una bacchetta magica. Il computer ha imparato che il tipo di liquido usato per fare l'estratto è una questione enorme, ma non è riuscito a capire i dettagli più fini di quanto sarebbe forte la medicina. Gli autori dicono con cautela che questi risultati sono solo l'inizio. Poiché hanno testato solo un numero limitato di campioni (42 osservazioni) e solo tre lotti di funghi, l'immagine è ancora un po' sfocata. Per costruire una vera palla di cristallo affidabile, dicono che abbiamo bisogno di dataset molto più grandi, testando molti più tipi di funghi e germi, con misurazioni chimiche ancora più dettagliate. Per ora, questo studio è un primo passo divertente e promettente che mostra il potenziale dell'unione tra biologia e informatica, anche se il computer deve ancora fare molti altri compiti prima di poter sostituire il banco di laboratorio.