Genome-guided prioritization of rifabutin MIC testing among rifampicin high-MIC Mycobacterium tuberculosis isolates: a retrospective development and internal evaluation study

Tuberculose is een eeuwenoude vijand die nog steeds jaarlijks meer dan een miljoen levens eist, grotendeels omdat de bacteriën die het veroorzaken kunnen evolueren om de medicijnen te negeren die bedoeld zijn om hen te doden. Wanneer de infectie van een patiënt resistent is tegen het primaire antibioticum, rifampicine, moeten artsen snel bepalen of een tweede medicijn, rifabutine, nog wel werkt. Deze beslissing is cruciaal voor het kiezen van de juiste behandeling, maar het testen van elk afzonderlijk bacterieel monster op rifabutine-resistentie is traag, duur en vaak onmogelijk voor laboratoria met beperkte middelen. Wetenschappers weten al lang dat de genetische code van de bacteriën aanwijzingen bevat over welke medicijnen zullen falen, maar de relatie tussen een specifieke genetische verandering en de effectiviteit van het medicijn is complex. Sommige genetische mutaties maken de bacteriën resistent tegen beide medicijnen, terwijl andere de bacteriën in staat stellen om te overleven tegen rifampicine, maar kwetsbaar te blijven voor rifabutine. De uitdaging voor de moderne geneeskunde is niet alleen het lezen van de genetische code, maar uitzoeken hoe die informatie gebruikt kan worden om te beslissen welke specifieke monsters de tijd en het geld verdienen die nodig zijn voor een volledige, precieze medicijntest.

Een team van onderzoekers zette zich scharpe project om dit sorteerprobleem op te lossen door duizenden bacteriemonsters van over de hele wereld te bestuderen. Ze begonnen met een grote collectie tuberculosebacteriën die al bekend stonden als resistent tegen rifampicine. Binnen deze resistente monsters wilden ze de kleinere groep vinden die nog steeds gevoelig is voor rifabutine. In plaats van elk van deze monsters in een laboratoriumschaaltje te testen — een proces dat hun capaciteit zou overbelasten — gebruikten ze de volledige genetische sequentie van de bacteriën om te voorspellen welke het meest waarschijnlijk van het gevoelige type waren. Ze behandelden de genetische data als een kaart en zochten naar specifieke patronen van mutaties die een hoge kans signaleerden dat de bacteriën kwetsbaar zouden zijn voor rifabutine. Het doel was om een gerangschikte lijst, of een "werklijst", te maken die een laboratorium in staat zou stellen om alleen de topkandidaten eerst te testen, waardoor het overgrote deel van de kwetsbare gevallen wordt gevangen terwijl de monsters die zeker resistent zijn, worden overgeslagen.

De onderzoekers analyseerden gegevens van 3.466 bacteriemonsters, die allemaal resistent waren aan rifampicine. Binnen deze groep ontdekten zij dat slechts ongeveer 6 procent daadwerkelijk gevoelig was voor rifabutine. Als een laboratorium monsters willekeurig zou testen, zouden ze bijna elk monster moeten onderzoeken om alle gevoelige gevallen te vinden. Echter, toen de onderzoekers hun genetische rangschikkingssysteem toepasten, veranderden de resultaten drastisch. Door slechts de bovenste 10 procent van de monsters op hun gerangschikte lijst te testen, waren ze in staat om meer dan 70 procent van de gevoelige gevallen te vinden. Dit betekent dat in plaats van honderden monsters te testen om enkele kwetsbare gevallen te vinden, een lab een veel kleinere groep kan testen en nog steeds de meerderheid van de patiënten kan vangen die baat kunnen hebben bij een rifabutine-behandeling. De methode werkte door verschillende genetische veranderingen te wegen; bijvoorbeeld waren bepaalde mutaties in een specifiek gen sterk gekoppeld aan het feit dat de bacteriën gevoelig bleven voor rifabutine, terwijl andere mutaties aangaven dat de bacteriën tegen beide medicijnen resistent zouden zijn.

Om hun methode robuust te maken, vergeleken het team hun complexe genetische rangschikkingssysteem met eenvoudigere regels die naar slechts enkele specifieke mutaties keken. Ze ontdekten dat hoewel het complexe systeem iets beter was in het voorspellen van uitkomsten, een eenvoudigere versie die zich richtte op een specifieke set genetische markers bijna even goed presteerde. Deze eenvoudigere benadering is waardevol omdat het gemakkelijker is voor andere laboratoria om te begrijpen en te adopteren. De onderzoekers controleerden ook hoe goed hun systeem werkte bij verschillende populaties bacteriën uit diverse landen en genetische lineages. Ze ontdekten dat hoewel het systeem er in het algemeen goed werkte, de prestaties varieerden afhankelijk van het specifieke type bacteriën, wat benadrukt dat geen enkele regel perfect past bij elke situatie. Ze merkten ook op dat hun bevindingen gebaseerd waren op een specifieke definitie van medicijngevoeligheid die in onderzoek wordt gebruikt, en dat de exacte aantallen licht kunnen verschuiven als een andere standaard wordt toegepast, maar dat de algemene strategie om genetica te gebruiken om testen te prioriteren solide bleef.

De studie concludeert dat het gebruik van genetische informatie om te bepalen welke monsters getest worden een praktische manier is om beter gebruik te maken van beperkte laboratoriummiddelen. Het vervangt niet de noodzaak van fysieke medicijntesten, die de uiteindelijke bewijsvoering blijven van of een medicijn zal werken. In plaats daarvan fungeert het als een filter, waardoor de kostbare tijd en het geld die aan fysieke testen worden besteed, gericht worden op de monsters die het meest waarschijnlijk een positief resultaat zullen opleveren. Door zich te concentreren op de bovengeraakte kandidaten, kunnen gespecialiseerde laboratoria de patiënten die rifabutine nodig hebben veel sneller en efficiënter identificeren dan voorheen. De onderzoekers hebben een duidelijke, transparante set genetische regels verstrekt die andere laboratoria kunnen gebruiken als een kandidaat voor onafhankelijke prospectieve evaluatie om hun eigen testlijsten te verfijnen, wat een weg vooruit biedt voor het beheer van medicijnresistente tuberculose in een wereld waar middelen schaars zijn.