Predicting tuberculosis relapse based on 28-day CFU, RS ratio, and/or drug contribution for novel regimens in the relapsing mouse model

Stel je voor dat je een detective bent die een mysterie probeert op te lossen dat zich over negen maanden ontvouwt. De dader is een sluipende bacterie genaamd Mycobacterium tuberculosis, die de ziekte veroorzaakt die bekend staat als tuberculose (TBC). In het verleden vereiste het vangen van dit kiem en het uitzoeken hoe je het kon verslaan een zeer traag, duur en druk onderzoek: muizen infecteren, ze behandelen, en dan bijna een jaar wachten om te zien of de muizen weer ziek werden. Het was alsof je wachtte tot een slow-motion film klaar was om te zien of de held gewonnen had. Wetenschappers hebben wanhopig behoefte aan een snellere manier om nieuwe "geneesmiddel-recepten" (combinaties van medicijnen) te testen, omdat de huidige behandelingen te lang duren en patiënten vaak stoppen met het innemen ervan voordat ze klaar zijn, wat leidt tot medicijnresistente superbugs. Om dit te versnellen, hebben onderzoekers twee speciale "aanwijzingen" ontwikkeld die ze veel eerder kunnen vinden: het aantal bacteriën dat nog steeds in leven is in de longen (CFU) en een maatstaf voor hoe druk de bacteriën bezig zijn met zichzelf kopiëren (de RS-ratio). Denk aan CFU als het tellen van hoeveel verdachten er nog in een huis verscholen zitten, en de RS-ratio als het controleren of die verdachten hectisch hun koffers aan het pakken zijn om weg te vluchten of gewoon daar zitten te niksen.

Dit artikel gaat over het bouwen van een super-slimme computerdetective die deze vroege aanwijzingen kan bekijken—genomen na slechts vier weken behandeling—en kan voorspellen of een specifiek medicijnrecept de muizen op de lange termijn daadwerkelijk zal genezen. De onderzoekers verzamelden gegevens van negen verschillende experimenten met 58 unieke medicijncombinaties en meer dan 2.000 observaties van muizen die beter werden of slechter werden. Ze voedden deze informatie aan een wiskundig model, waardoor het model leerde patronen te herkennen tussen de korte-termijn aanwijzingen en de lange-termijn uitkomst. Het resultaat is een hulpmiddel dat nieuwe medicijnrecepten kan rangschikken op basis van slechts één maand aan gegevens, in plaats van te wachten op negen maanden. Het model suggereert dat door deze vroege aanwijzingen te gebruiken, wetenschappers snel de meest veelbelovende behandelingen kunnen identificeren en degenen die waarschijnlijk zullen falen kunnen overslaan, wat tijd, geld en duizenden muizen bespaart. Hoewel de computervoorspellingen zeer nauwkeurig zijn (ze hebben 90% van de tijd gelijk in tests), merken de auteurs op dat voor gloednieuwe medicijnen de "drukte"-aanwijzing (RS-ratio) vooral nuttig is, terwijl voor bekende medicijnen alleen het tellen van de bacteriën genoeg kan zijn als je ook weet hoe goed elk medicijn de infectie kan steriliseren.

De Nieuwe Afkorting van de Detective

Tuberculose is een hardnekkige vijand. Decennialang was de enige manier om te weten of een nieuwe medicijnmix zou werken, het spelen van een heel lang spel met muizen. Je infecteerde ze, gaf ze medicijnen, en wachtte dan een volle negen maanden om te zien of de bacteriën terugkwamen. Het was een traag, middelenintensief proces dat het moeilijk maakte om de honderden nieuwe medicijncombinaties te testen waar wetenschappers van droomden. Maar wat als je na slechts één maand al in de bewijzen kon kijken en de afloop kon weten? Dat is precies wat dit team wilde bereiken.

Ze richtten zich op twee specifieke "aanwijzingen" die snel verzameld kunnen worden:

1. CFU (Colony Forming Units): Dit is een telling van hoeveel bacteriën nog levend en in staat tot groei zijn in de longen van de muis. Het is als het tellen van het aantal indringers die nog in het huis verscholen zitten.
2. RS-ratio: Dit is een maatstaf voor de "gezondheid" of activiteit van de bacteriën. Specifiek kijkt het naar de ratio van onvolwassen naar volwassen ribosomaal RNA. Denk eraan als het controleren van de "to-do lijst" van de bacteriën. Als de lijst vol staat met onvoltooide taken, zijn de bacteriën gestrest en sterven ze. Als de lijst schoon is, kunnen ze ook gewoon aan het rusten zijn, maar nog steeds gevaarlijk.

De onderzoekers bouwden een computationeel model—een fancy computerbrein—om de relatie te leren begrijpen tussen deze korte-termijn aanwijzingen en de lange-termijn uitkomst (of de muizen genezen bleven). Ze gokten niet zomaar; ze trainden het model met gegevens van 58 verschillende medicijnregimes uit negen afzonderlijke experimenten. Deze experimenten omvatten verschillende soorten muizen, verschillende stammen bacteriën en diverse manieren om hen te infecteren, wat de gegevens zeer robuust maakte.

Wat de Computer Vond

Het model leerde dat het de toekomst met indrukwekkende nauwkeurigheid kon voorspellen. Wanneer het werd getest op gegevens die het nog niet had gezien, had de computer de voorspelling ongeveer 90% van de tijd goed (specifiek een area under the receiver operating curve van 0,90). Dit betekent dat het succesvol het verschil kan zien tussen een medicijnmix die de muizen in twee maanden geneest versus een die vier maanden duurt of volledig faalt.

Hier is het slimme deel: het model realiseerde zich dat voor sommige medicijnen alleen het tellen van de bacteriën (CFU) niet genoeg was om het hele verhaal te vertellen. Sommige medicijnen doden de bacteriën, maar stoppen ze niet om later "wakker te worden" (niet-steriliserend), terwijl andere de infectie werkelijk steriliseren. Om dit op te lossen, gebruikt het model de RS-ratio als een tie-breaker. Het suggereert dat voor gloednieuwe medicijnen, waarbij we hun "steriliserend vermogen" nog niet kennen, de RS-ratio een cruciale aanwijzing is om te zien of de bacteriën werkelijk verslagen zijn. Echter, voor medicijnen die we al goed kennen (zoals rifampicine of bedaquiline), vond het model dat als je rekening houdt met hun bekende vermogen om de infectie te steriliseren, je de RS-ratio misschien niet eens nodig hebt; de bacterietelling alleen kan dan de klus klaren.

De studie toonde ook aan dat deze methode werkt, zelfs wanneer experimenten worden vergeleken die in verschillende laboratoria onder verschillende omstandigheden zijn uitgevoerd. Het model leerde zich aan te passen aan deze verschillen, als een universele vertaler die ervoor zorgt dat een medicijn die in het ene lab is getest, eerlijk vergeleken kan worden met een medicijn uit een ander lab.

Het Vonnis

De auteurs zijn ervan overtuigd dat dit hulpmiddel de ontwikkeling van TBC-geneesmiddelen kan veranderen. Door dit model te gebruiken, kunnen wetenschappers veel meer medicijncombinaties testen in een fractie van de tijd en met veel minder muizen. In plaats van negen maanden te wachten om te zien of een recept werkt, kunnen ze een experiment van vier weken uitvoeren, de resultaten in de computer voeren en een ranglijst krijgen van welke recepten het waard zijn om na te streven.

De paper merkt echter voorzichtig op dat dit een voorspellingsinstrument is, geen toverstaf. Het model werkt het best voor regimes met vier medicijnen; het had wat moeite met een specifieke combinatie van drie medicijnen in hun tests, wat suggereert dat zeer korte regimes extra controle vereisen. Ook, hoewel de computer geweldig is in het voorspellen van uitkomsten op basis van de gegevens die het heeft gezien, blijft het afhankelijk van de kwaliteit van het initiële vier-weken experiment. Als de korte-termijn gegevens "ruis" bevatten, kan de voorspelling wankelen.

Uiteindelijk suggereert dit onderzoek een nieuwe workflow: voer een snelle vier-weken test uit, meet de bacterietelling en hun "activiteitsniveau", en laat de computer vertellen welke medicijncombinaties de echte helden zijn. Dit zou de weg van het laboratorium naar het bed van de patiënt kunnen versnellen, wat potentieel kortere, effectievere behandelingen kan brengen naar de miljoenen mensen die vandaag de dag nog steeds lijden aan tuberculose.