Pairing Data Independent Acquisition and High-Resolution Full Scan for Fast Urinary Tract Infection Diagnosis

Dit artikel presenteert een bewijs van concept waarbij data-onafhankelijke acquisitie (DIA) wordt gecombineerd met snelle MS1-spectra voor een snelle, kweekvrije en nauwkeurige diagnose van urineweginfecties via machine learning.

De kern

🦠 De Snelweg naar een Urine-infectie-diagnose: Een Nieuwe Methode

Stel je voor dat je een urineweginfectie (UTI) hebt. Normaal gesproken moet je een monster urine meenemen naar het lab. Daar wordt het in een kweekpotje gedaan en moet je 24 tot 72 uur wachten tot de bacteriën genoeg zijn gegroeid om te tellen welke soort het is. In die tijd krijgt de arts vaak een "gokje" antibioticum, wat niet altijd werkt en kan leiden tot resistentie.

De auteurs van dit artikel hebben een nieuwe, razendsnelle manier bedacht om die bacteriën te vinden, zonder te wachten op groei. Ze gebruiken een slimme combinatie van twee verschillende soorten "microscopen" (in dit geval massaspectrometers) en een computerprogramma dat leert als een detective.

Hier is hoe het werkt, stap voor stap:

1. De Twee Camera's: De "Super-Lens" en de "Snelle Lens"

Om de bacteriën te vinden, kijken ze naar de eiwitten (de bouwstenen) in de urine. Ze gebruiken twee verschillende apparaten:

• De "Super-Lens" (Orbitrap Astral): Dit is een dure, zeer krachtige machine die heel diep in de urine kijkt. Het werkt als een fotograaf die elke minuut een foto maakt van een hele stad, waarbij hij elk autootje, elke boom en elke steen in detail vastlegt. Dit apparaat maakt een "referentielijst" van alle mogelijke bacteriën. Het duurt even, maar het is extreem nauwkeurig.
• De "Snelle Lens" (Orbitrap Exploris): Dit is een goedkopere, snellere machine die in ziekenhuizen past. Het werkt als een politieagent die met een flitslicht langs de straat rijdt. Hij ziet alleen de silhouetten van de auto's (de massa van de eiwitten) en niet de details. Hij is supersnel, maar zonder de "Super-Lens" zou hij niet weten of hij een ambulance of een brandweerwagen ziet.

De slimme truc: De onderzoekers gebruiken de gedetailleerde lijst van de "Super-Lens" om te weten waar ze moeten zoeken. Vervolgens gebruiken ze de "Snelle Lens" om die specifieke signalen in de urine te vinden. Het is alsof je een lijst met kentekens hebt (van de Super-Lens) en met een flitslicht (Snelle Lens) snel controleert of die kentekens voorbijrijden.

2. De Computer-Detective (Machine Learning)

Nu hebben ze duizenden signalen, maar welke horen bij welke bacterie?
Ze hebben een computerprogramma (Machine Learning) getraind als een detective die duizenden gevallen heeft opgelost.

• Ze hebben de computer gevoed met "proefballen": urine waarin ze specifieke bacteriën hadden gedaan (zoals E. coli of Staphylococcus).
• De computer leerde: "Als ik dit specifieke patroon van signalen zie, is het bijna zeker E. coli."
• Ze trainden de computer om 8 van de meest voorkomende bacteriën te herkennen, plus het geval dat er geen infectie is.

3. De Resultaten: Snel en Accuraat

Toen ze dit systeem testten op echte patiëntenmonsters, gebeurde het volgende:

• Snelheid: In plaats van dagen wachten, duurt het analyseproces slechts 5 minuten per monster. Je kunt er honderden per dag mee doen.
• Nauwkeurigheid: De computer had het in 92% van de gevallen goed bij proefmonsters en in 77% van de echte patiënten. Dat is een enorme verbetering ten opzichte van het wachten op kweekresultaten.
• Betrouwbaarheid: Het systeem geeft ook een "zekerheidspercentage". Als de computer twijfelt (bijvoorbeeld omdat er heel weinig bacteriën zijn), zegt hij: "Ik denk dat het X is, maar ik ben niet 100% zeker." Dit helpt de arts om te beslissen of er extra tests nodig zijn.

4. Waarom is dit belangrijk?

• Geen kweek meer nodig: Je hoeft niet te wachten tot de bacteriën groeien.
• Beter antibioticumgebruik: De arts weet direct welke bacterie het is en kan het juiste antibioticum geven. Dit voorkomt dat we onnodig antibiotica geven, wat helpt om de wereldwijde strijd tegen resistente bacteriën te winnen.
• Toekomst: Hoewel dit nu alleen voor urineweginfecties is, kunnen ze deze methode later misschien gebruiken voor andere ziektes of om te zien of een bacterie resistent is tegen medicijnen.

Samenvattend

Stel je voor dat je een boek zoekt in een enorme bibliotheek.

• De oude methode: Je loopt elke plank af, leest elke titel en wacht tot je de juiste hebt gevonden (duurt dagen).
• De nieuwe methode: Je hebt een slimme robot die eerst een gedetailleerde kaart van de bibliotheek maakt (de dure machine). Vervolgens rent hij met een flitslicht langs de gangen (de snelle machine) en slaat direct de juiste boeken op, gebaseerd op de kaart.

Dit onderzoek toont aan dat we met de juiste combinatie van technologie en slimme software, medische diagnoses veel sneller en nauwkeuriger kunnen maken.

Technische samenvatting

Technische Samenvatting: Koppeling van Data-Independent Acquisition (DIA) en High-Resolution Full Scan voor Snelle Diagnose van Urineweginfecties

1. Het Probleem
Urineweginfecties (UTI's) zijn wereldwijd een van de meest voorkomende bacteriële infecties. De huidige gouden standaard voor diagnose, kweek op agar, duurt 24 tot 72 uur. Deze vertraging leidt vaak tot empirische antibioticabehandeling, wat bijdraagt aan de groei van antimicrobiële resistentie (AMR). Hoewel proteomica op basis van vloeistofchromatografie gekoppeld aan tandem-massaspectrometrie (LC-MS/MS) snellere diagnoses mogelijk maakt, zijn de huidige workflows vaak te traag, duur en complex voor routinematig klinisch gebruik.

• Huidige beperkingen: Geavanceerde instrumenten (zoals de Orbitrap Astral) bieden snelle, diepe peptide-identificatie via Data-Independent Acquisition (DIA), maar zijn te duur en complex voor standaard klinische laboratoria.
• Klinische realiteit: Veel klinische laboratoria gebruiken robuustere, goedkopere instrumenten (zoals de Orbitrap Exploris 480). Deze kunnen echter geen volledige MS/MS-fragmentatie uitvoeren binnen de korte looptijden (bijv. 5 minuten) die nodig zijn voor hoge doorvoersnelheden (300 monsters per dag), wat leidt tot onnauwkeurige identificatie op basis van alleen MS1-data.

2. Methodologie
De auteurs presenteren een proof-of-concept workflow die de sterke punten van twee verschillende massaspectrometers combineert om een snelle, kweekvrije diagnose mogelijk te maken:

• Referentiepanelen (DIA): Een eerste batch van geïnfecteerd urine (met 8 veelvoorkomende uropathogenen) werd geanalyseerd met een Orbitrap Astral in DIA-modus. Dit leverde een uitgebreide referentiebibliotheek op van pathogeen-specifieke peptiden (precursoren) met hoge resolutie en MS2-fragmentatiegegevens.
• Snelle Screening (MS1-only): Dezelfde en nieuwe monsters (inclusief klinische patiëntmonsters) werden geanalyseerd met een Orbitrap Exploris 480 in de MS1 Full Scan-modus (zonder fragmentatie). Dit zorgt voor een zeer snelle analyse (5 minuten per monster).
• Data-koppeling en Preprocessing: Een R-based pipeline matchte de MS1-features (m/z, retentietijd en isotopische patronen) uit de Exploris-data met de referentiepeptiden uit de Astral-DIA-data.
• Machine Learning: Er werden negen "One-vs-All" Random Forest-classificatiemodellen getraind. Deze modellen onderscheiden elk van de 8 doelpathogenen (E. coli, E. faecalis, K. pneumoniae, P. aeruginosa, S. agalactiae, S. aureus, S. saprophyticus, P. mirabilis) en negatieve controles van elkaar, puur op basis van de geselecteerde MS1-features.
• Validatie: Het model werd getest op:
  1. Houd-out testsets (geïnfecteerd urine).
  2. Zuivere bacterieculturen.
  3. Onafhankelijke klinische patiëntmonsters.
  4. "Edge cases" (lage bacteriële last en niet-doelpathogenen).

3. Belangrijkste Bijdragen

• Nieuwe Workflow: Een innovatieve strategie om diepe, MS2-gebaseerde peptide-informatie te gebruiken om snelle, MS1-only data te interpreteren, waardoor de noodzaak voor fragmentatie in het routinemonitoringstadium wordt geëlimineerd.
• Kosteneffectiviteit: Het maakt het mogelijk om snelle, nauwkeurige diagnoses uit te voeren op toegankelijkere en goedkopere instrumenten (Orbitrap Exploris) die al in veel klinieken aanwezig zijn.
• Machine Learning Integratie: Het succesvol toepassen van ML op MS1-only data voor multi-classificatie van bacteriën, wat eerder een uitdaging was vanwege de complexiteit en ruis in deze spectra.
• Schaalbaarheid: De workflow is ontworpen voor een doorvoersnelheid van 300 monsters per dag, wat voldoet aan de eisen van klinische laboratoria.

4. Resultaten

• Biomarker Identificatie: Uit de DIA-analyse werden 8.218 kandidaat-peptiden geïdentificeerd. Na filtering en matching met MS1-data bleven 4.281 robuuste features over die consistent in alle datasets werden gedetecteerd.
• Prestaties op Testdata: Het model behaalde een Matthews Correlation Coefficient (MCC) van 0,924 op de vastgehouden testset (geïnfecteerd urine).
• Klinische Validatie: Op onafhankelijke klinische patiëntmonsters (98 monsters met een van de 8 doelpathogenen) werd een MCC van 0,77 bereikt.
  • De meeste pathogenen werden correct geïdentificeerd (>83%), met uitzondering van Streptococcus agalactiae (42% correct), wat waarschijnlijk te wijten is aan lagere bacteriële concentraties in klinische monsters die onder de detectielimiet van de MS1-only methode vielen.
• Edge Cases:
  • Bij lage concentraties (10⁵ CFU/mL) werd vaak een foutieve classificatie als "negatief" gemaakt, maar de secundaire voorspelling van het model gaf vaak wel de juiste soort aan.
  • Bij onbekende pathogenen neigde het model naar taxonomisch verwante soorten (bijv. Serratia marcescens werd vaak als Klebsiella pneumoniae voorspeld), wat aantoont dat het model gedeelde peptide-signaturen herkent.
• Vertrouwen in Voorspelling: De auteurs ontwikkelden een methode om de betrouwbaarheid van een voorspelling te beoordelen op basis van de voorspellingsscore en de marge tussen de hoogste en tweede hoogste score. Een hoge score en grote marge correleren sterk met correcte classificaties.

5. Betekenis en Toekomstperspectief
Deze studie bewijst dat het koppelen van high-resolution DIA-data aan snelle MS1-only scans een haalbare route is voor snelle, kweekvrije diagnose van urineweginfecties.

• Klinische Impact: Het kan de tijd voor pathogeenidentificatie drastisch verkorten, wat leidt tot gerichter antibioticagebruik en een vermindering van AMR.
• Brede Toepasbaarheid: Hoewel de studie zich richtte op UTI's, is de onderliggende strategie (DIA-referentie + MS1-screening + ML) breed toepasbaar voor andere infectieziekten en biomarkerontdekking.
• Kwantificatie: Hoewel de huidige studie zich richt op classificatie, suggereren de resultaten dat MS1-intensiteiten ook potentieel hebben voor kwantificatie (onderscheid tussen contaminatie en echte infectie), wat een volgende stap in de ontwikkeling zou kunnen zijn.

Kortom, de auteurs bieden een schaalbaar, hoogdoorvoersysteem dat de kloof overbrugt tussen geavanceerd proteomisch onderzoek en de praktische eisen van de dagelijkse klinische diagnostiek.