Optimization of sequential therapies to maximize extinction of resistant bacteria through collateral sensitivity

Enunciado do Problema
A resistência antimicrobiana (RAM) representa uma ameaça crítica à saúde global, com o desenvolvimento de novos antibióticos não conseguindo acompanhar a evolução da resistência. Embora as terapias combinadas (administração simultânea de múltiplos fármacos) sejam uma estratégia comum, elas carregam riscos de toxicidade e podem, por vezes, acelerar a resistência. As terapias sequenciais, que administram antibióticos um após o outro, oferecem uma alternativa promissora baseada no fenômeno da sensibilidade colateral (SC). A SC ocorre quando a resistência bacteriana a um antibiótico aumenta a sensibilidade a outro. Apesar do potencial dos regimes sequenciais guiados por SC, há uma falta de princípios quantitativos de projeto para otimizar o momento das trocas de fármacos a fim de maximizar a extinção bacteriana, particularmente sob concentrações de antibióticos subinibitórias, onde a evolução da resistência é uma preocupação significativa.

Metodologia
Os autores desenvolvem um modelo estocástico de nascimento e morte de quatro genótipos para simular a dinâmica evolutiva intra-hospedeiro sob dois antibióticos bacteriostáticos (A e B). O modelo rastreia quatro populações bacterianas:

• $x_0$: Tipo selvagem (susceptível a ambos).
• $x_1$: Resistente a A, susceptível a B.
• $x_2$: Resistente a B, susceptível a A.
• $x_3$: Duplamente resistente (resistente a ambos).

Características-chave do modelo incluem:

• Dinâmica Estocástica: O sistema utiliza um algoritmo de tau-leaping para simular eventos de nascimento, morte e mutação ($\mu_1$ para adquirir resistência, $\mu_2$ para perdê-la).
• Troca Sequencial: As simulações começam com o antibiótico A. Após um período de troca $\tau$, o antibiótico muda para B, depois volta para A, e assim por diante, por uma duração total fixa de tratamento $T$.
• Critérios de Extinção: Uma população é considerada extinta se cair abaixo de um limiar de $0.05\gamma^{-1}$ (aprox. 5 indivíduos), onde $\gamma$ relaciona-se à capacidade de suporte.
• Parâmetros: O estudo foca em concentrações subinibitórias ($k=0.5$, representando IC50) e SC recíproca forte ($k_{CS}=0.05$).

Principais Contribuições e Resultados

1. Dependência Não Linear do Período de Troca:
   A probabilidade de extinção bacteriana depende não linearmente do período de troca $\tau$.

   • Troca rápida ($\tau \to 0$): Resulta em nenhuma extinção porque há tempo insuficiente para que mutantes resistentes evoluam e dominem.
   • Troca ótima: A probabilidade de extinção aumenta com $\tau$ e exibe saltos em degraus alinhados com eventos de troca discretos (por exemplo, aumentando de 1 para 2 trocas).
   • Mecanismo: Eventos de extinção ocorrem pouco após uma troca. Para que a extinção ocorra, a população deve primeiro evoluir para ser dominada por um genótipo de resistência única (por exemplo, $x_1$ sob o fármaco A). Quando o fármaco muda para B, essa população dominante (agora sensível) colapsa. Se a população contiver números significativos de outros genótipos (tipo selvagem ou duplamente resistente), a extinção é menos provável.

2. Estrutura de Distribuição Geométrica:
   Os autores propõem que a extinção pode ser modelada como uma série de ensaios de Bernoulli (lançamentos de moeda) em cada troca.

   • Eles ajustam a probabilidade cumulativa de extinção a uma distribuição geométrica hierárquica, $P_{ext} = 1 - (1 - p)^n$, onde $p$ é a probabilidade de extinção por troca e $n$ é o número de trocas.
   • A probabilidade por troca $p$ não é constante; ela aumenta com o período de troca $\tau$ e depende do número de trocas $n$. Um ajuste da forma $p = \alpha\tau + \beta n$ prevê com precisão as probabilidades cumulativas de extinção.

3. Aproximação Heurística:
   Os autores derivam uma heurística analítica para $p(\tau)$ baseada em três distribuições de tempo-chave:

   • Tempo para mutantes de resistência única dominarem a população.
   • Tempo até a extinção seguindo uma troca.
   • Probabilidade de não-dominância por mutantes de resistência única.
     A fórmula resultante, $p(\tau) = p_d(\tau)[1 - p_r(\tau)]$, onde $p_d$ é a probabilidade de decaimento e $p_r$ é a probabilidade de não-dominância, corresponde com sucesso aos dados de simulação.

4. Sensibilidade aos Parâmetros:

   • Sensibilidade Colateral (SC): A SC recíproca forte é uma condição necessária para a extinção em doses subinibitórias. À medida que a SC enfraquece ($k_{CS}$ aumenta), a probabilidade de extinção cai para quase zero.
   • Dose de Antibiótico: A relação entre dose e extinção é unimodal. Em doses muito altas (próximo à CIM), a extinção ocorre independentemente da troca. Em doses subinibitórias intermediárias, há uma dose ótima que maximiza a extinção. Em doses muito baixas, a probabilidade de extinção diminui porque o influxo de mutantes resistentes desacelera.
   • Taxas de Mutação: Similar à dose, a probabilidade de extinção mostra uma dependência unimodal das taxas de mutação. Altas taxas de mutação podem levar ao surgimento de cepas duplamente resistentes ($x_3$), reduzindo a eficácia da extinção.

5. Frente de Pareto de Terapias Ótimas:
   Existe um compromisso entre maximizar a extinção e minimizar o surgimento de mutantes duplamente resistentes.

   • Terapias mais longas (mais trocas) aumentam a probabilidade de extinção, mas também aumentam a probabilidade de $x_3$ aparecer se a população sobreviver.
   • Os autores identificam uma frente de Pareto de períodos de troca ótimos. Para os parâmetros estudados, um período de troca de $\tau \approx 42$ é mais provável de estar nesta frente, permitindo que clínicos escolham entre maximizar a extinção ou minimizar a resistência ajustando o número de trocas $n$.

Significado e Afirmações
O artigo afirma fornecer princípios quantitativos de projeto para terapias antibióticas sequenciais in vitro e clínicas. Ao demonstrar que a SC forte pode levar à erradicação bacteriana mesmo em concentrações subinibitórias (onde as monoterapias falham), o estudo sublinha o potencial de regimes guiados por SC para suprimir a evolução da resistência.

Os autores enfatizam que seu quadro estocástico captura diretamente a dinâmica de extinção, ao contrário de modelos determinísticos anteriores que não conseguem prever a erradicação. Eles argumentam que a chave para o sucesso não é apenas a existência de SC, mas o momento da troca: deve-se esperar o tempo suficiente para que um mutante de resistência única domine a população antes de trocar, mas não tanto tempo a ponto de a dupla resistência surgir. A identificação de uma frente de Pareto oferece um quadro prático para equilibrar os objetivos duplos de erradicar a infecção e prevenir a evolução da pan-resistência.

O estudo conclui que, embora o modelo seja mínimo (dois fármacos, quatro genótipos), ele isola os mecanismos centrais da troca guiada por SC e sugere que as terapias sequenciais representam uma rica oportunidade para enfrentar a crise dos antibióticos, com potenciais extensões para o tratamento do câncer e escalas epidemiológicas.