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

Bacteriën zijn geen statische stipjes; het zijn levende machines die van vorm en interne structuur veranderen wanneer ze zich bedreigd voelen. Wanneer een bacterie een antibioticum tegenkomt, zit hij niet simpelweg stil te wachten om gedood te worden. In plaats daarvan reageert hij. Sommige cellen strekken zich uit, andere krimpen ineen, en de verstrengelde strengen DNA binnenin kunnen samenklonteren of uiteenvallen. Deze fysieke veranderingen zijn de manier van de cel om nood aan te geven of, in sommige gevallen, een verdediging op te zetten. Decennialang hebben wetenschappers vertrouwd op het wachten tot bacteriën in een schaaltje groeiden om te zien of een medicijn werkt, een proces dat een volle dag of langer kan duren. Deze vertraging is gevaarlijk in een wereld waarin resistente infecties toenemen, waardoor ooit behandelbare ziekten veranderen in levensbedreigende crises. Om de strijd te versnellen, zoeken onderzoekers nu naar manieren om deze kleine fysieke veranderingen direct af te lezen, waarbij ze het uiterlijk van de cel zelf gebruiken als een kaart om te begrijpen wat er van binnen gebeurt.

Een team van onderzoekers heeft een nieuwe methode ontwikkeld om precies dit te doen, door een systeem te creëren dat naar een enkele bacterie kan kijken en je precies kan vertellen welk antibioticum haar aanvalt. Ze richtten zich op Escherichia coli, een veelvoorkomende bacterie die vaak wordt gebruikt om te bestuderen hoe medicijnen werken. In hun laboratorium stelden ze deze bacteriën bloot aan vier verschillende soorten antibiotica, elk ontworpen om de cel op een unieke manier aan te vallen. Eén medicijn stopte de cel met het maken van eiwitten, een ander voorkwam het opbouwen van een sterke buitenwand, een derde verstoorde het interne steigerwerk dat de cel staafvormig houdt, en een vierde blokkeerde het kopiëren van het genetisch materiaal. Om de resultaten te zien, maakten ze hoogresolutiefotografie van de bacteriën, waarbij ze speciale kleurstoffen gebruikten die het celmembraan rood lieten oplichten en het interne DNA blauw lieten oplichten.

De uitdaging was dat deze veranderingen subtiel zijn en plaatsvinden op een schaal die te klein is voor het menselijk oog om snel te kunnen sorteren. Om dit op te lossen, bouwden de onderzoekers een computersysteem gebaseerd op deep learning, een vorm van kunstmatige intelligentie die leert door naar duizenden voorbeelden te kijken. Eerst leerden ze de computer om individuele bacteriën in de drukke microscopische beelden te vinden en ze eruit te snijden, zoals het isoleren van één persoon uit een drukke foto. Vervolgens voedden ze deze geïsoleerde beelden aan een suite van dertien verschillende computermodellen. Sommige van deze modellen waren ontworpen om patronen in vormen te herkennen, terwijl andere gebouwd waren om de relaties tussen verschillende onderdelen van een afbeelding te begrijpen, vergelijkbaar met hoe een mens naar een gezicht kijkt en de verbinding tussen de ogen en de mond herkent.

De onderzoekers ontdekten dat hoewel sommige van deze computermodellen erg goed waren in het raden van het juiste antibioticum, geen van hen perfect was op zichzelf. Het beste individuele model, dat een geavanceerde architectuur genaamd een Swin Transformer gebruikte, identificeerde het medicijn correct in ongeveer 91 procent van de gevallen. De onderzoekers realiseerden zich echter dat ze, door de meningen van verschillende modellen te combineren, zelfs beter konden presteren. Ze creëerden een "ensemble", een systeem waarbij de computer drie verschillende experts vraagt — de Swin Transformer, een model genaamd CoaT, en een klassiek model genaamd ResNet18 — om over het antwoord te stemmen. Door deze stemmen zorgvuldig te wegen, bereikte het systeem een nieuw niveau van nauwkeurigheid en identificeerde het het antibioticum correct in 94 procent van de gevallen. Deze aanpak bewees dat luisteren naar een groep diverse AI-modellen betrouwbaarder is dan vertrouwen op slechts één model.

Naast het simpelweg raden van het medicijn, leerde het systeem ook precies te beschrijven hoe de bacteriën veranderden. Het kon het onderscheid maken tussen een cel die bolvormig was geworden omdat de wand faalde, en een cel die zich had uitgerekt omdat de interne structuur beschadigd was. Zo leerde het systeem bijvoorbeeld dat wanneer een specifiek medicijn de DNA-kopie blokkeerde, de bacteriën hun staafvorm behielden maar hun interne DNA-strengen lang en uitgerekt werden. Wanneer een ander medicijn de eiwitproductie stopte, bleven de bacteriën staafvormig maar werd hun interne DNA dicht opeengepakt. Deze specifieke visuele handtekeningen stelden de computer niet alleen in staat om het medicijn te benoemen, maar ook om het mechanisme te begrijpen waarop het de cel beschadigt.

De studie suggereert dat dit soort geautomatiseerde, op beeld gebaseerde analyse een krachtig hulpmiddel kan worden in de strijd tegen antibioticaresistentie. In plaats van dagen te wachten tot bacteriën groeien, zouden artsen of onderzoekers potentieel een monster kunnen nemen, een foto kunnen maken en dit systeem kunnen gebruiken om onmiddellijk te zien hoe de bacteriën reageren. De onderzoekers merkten op dat hoewel hun systeem goed werkte, het nog geen afgewerkt product is voor ziekenhuizen. Ze wezen erop dat om het echt robuust te maken, ze het op nog meer beelden zouden moeten trainen en misschien met tijd-reeks video's zouden moeten testen om te zien hoe de bacteriën in de loop van de tijd veranderen. Desalniettemin demonstreert het werk dat door computers te leren de subtiele taal van bacteriële vormen te zien, de wetenschap sneller kan bewegen naar het begrijpen en stoppen van de verspreiding van resistente infecties.