An Ensemble Deep Learning Framework for Single-Cell Phenotypic Profiling of Escherichia coli under Antibiotic Stress

細菌は静止した微粒子ではありません。それらは、脅威を感じると形や内部構造を変化させる、生きた機械なのです。細菌が抗生物質に遭遇したとき、ただじっと座って死を待つわけではありません。代わりに、細菌は反応します。細胞が引き伸ばされたり、縮んだりすることもあり、内部の絡み合ったDNAの鎖が塊になったり、バラバラに崩れたりすることもあります。これらの物理的な変化は、細胞が苦痛を知らせる方法であり、場合によっては防御を固めるための手段でもあります。何十年もの間、科学者たちは薬が効くかどうかを確認するために、シャーレの中で細菌が増殖するのを待つことに頼ってきました。このプロセスには丸一日、あるいはそれ以上の時間がかかることがあります。この遅れは、薬剤耐性菌による感染症が増加し、かつては治療可能だった病気が命に関わる危機へと変わっている現代において、非常に危険なことです。戦いを加速させるため、研究者たちは今、細胞自身の外見を地図として使い、内部で何が起きているかを理解することで、これら微細な物理的変化を即座に読み取る方法を探しています。

ある研究チームは、まさにこれを行うための新しい手法を開発しました。単一の細菌を見て、どの抗生物質がそれを攻撃しているのかを正確に特定できるシステムを作り上げたのです。彼らは、薬がどのように作用するかを研究するためによく用いられる一般的な細菌である、大腸菌（Escherichia coli）に焦点を当てました。実験室において、彼らはこれらの細菌を4種類の異なるタイプの抗生物質にさらしました。それぞれの薬は、細胞を攻撃するように独自の方法で設計されています。ある薬は細胞のタンパク質合成を停止させ、別の薬は強固な外壁の構築を防ぎ、3番目の薬は細胞の棒状の形を維持するための内部の足場を破壊し、4番目の薬は遺伝物質の複製をブロックします。その結果を見るために、彼らは高解像度の写真を撮影しました。その際、細胞の外膜が赤く光り、内部のDNAが青く光る特殊な染料を使用しました。

課題は、これらの変化が極めて微細であり、人間の目では素早く判別できないほど小さなスケールで起こることでした。これを解決するために、研究者たちは、膨大な数の例を見ることで学習する人工知能の一種であるディープラーニングに基づいたコンピュータシステムを構築しました。まず、コンピュータに、混み合った顕微鏡画像の中から個々の細菌を見つけ出し、まるで混雑した写真の中から一人を隔離するように、それらを切り出す方法を教えました。次に、これらの孤立させた画像を、13種類の異なるコンピュータモデルのセットに投入しました。これらのモデルの中には、形状のパターンを認識するように設計されたものもあれば、人間の目が目と口のつながりを認識するように、画像内の異なる部分の関係性を理解するように作られたものもありました。

研究者たちは、一部のコンピュータモデルは正しい抗生物質を推測することに非常に優れていたものの、単独では完璧なものは一つもなかったことを発見しました。最も優れた単一のモデルは、「Swin Transformer」と呼ばれる高度なアーキテクチャを用いたもので、約91パーセントの確率で正しく薬を特定しました。しかし、チームは、複数の異なるモデルの意見を組み合わせることで、さらに優れた結果が得られることに気づきました。彼らは「アンサンブル」と呼ばれる、Swin Transformer、CoT、そしてResNet18という古典的なモデルという3人の異なる専門家に答えを投票させるシステムを作成しました。これらの投票を慎重に重み付けすることで、システムは新たなレベルの精度に達し、94パーセントのケースで抗生物質を正しく特定しました。このアプローチは、多様なAIモデルのグループの声を聞くことが、単一のモデルに頼るよりも信頼性が高いことを証明しました。

単に薬を推測するだけでなく、このシステムは細菌がどのように変化しているかを正確に記述することも学習しました。それは、外壁の崩壊によって球状になった細胞と、内部構造の損傷によって引き伸ばされた細胞を区別することができました。例えば、特定の薬がDNAの複製を阻止した場合、細菌は棒状の形を維持したまま、内部のDNAの鎖が長く引き伸ばされることをシステムは学習しました。また、別の薬がタンパク質生産を停止させた場合、細菌は棒状の形のままであるものの、内部のDNAが密集することを学習しました。これらの具体的な視覚的特徴（シグネチャー）により、コンピュータは単に薬の名前を特定するだけでなく、それがどのように細胞を傷つけているかというメカニズムまでも理解することができたのです。

この研究は、このような自動化された画像ベースの解析が、抗生物質耐性と戦うための強力なツールになり得ることを示唆しています。細菌が増殖するのを数日間待つ代わりに、医師や研究者がサンプルを採取し、写真を撮り、このシステムを使用して細菌がどのように反応しているかを即座に確認できる可能性があります。研究者たちは、自分たちのシステムはうまく機能しているものの、まだ病院で使用できる完成品ではないと指摘しています。真に堅牢なものにするためには、さらに多くの画像で学習させる必要があり、また、細菌が時間の経過とともにどのように変化するかを見るためにタイムラプス動画でテストする必要があるかもしれないと述べています。それにもかかわらず、この研究は、コンピュータに細菌の形状という微妙な言語を教えることで、科学が薬剤耐性感染症の拡大を理解し、阻止するためのスピードを上げられることを証明しています。