Con el objetivo de entender cómo afectan la diversidad microbiana y su daño a los vuelos espaciales, así como ayudar a los investigadores y astronautas a abordar el riesgo de infección y resistencia a antibióticos, los investigadores han usado algoritmos de aprendizaje automático. Las predicciones computacionales fueron validadas experimentalmente por perfiles de resistencia a antibióticos en cepas de Enterobacter bugandensis y Bacillus cereus, mostrando un alto grado de concordancia.
Este estudio se ha realizado en el marco del máster en Investigación en Inteligencia Artificial, que constituye el trabajo fin de máster en Investigación en Inteligencia Artificial de Pedro Madrigal, doctor en bioinformática por la Universidad de Adam Mickiewicz en Poznan.
Los profesores del departamento de Inteligencia Artificial de la UNED, Elena Gaudioso y Félix Hernández del Olmo, junto con Afshin Beheshti (investigador del Centro de Investigación Ames de la NASA), se han encargado de la dirección de este trabajo, supervisado la formulación de los algoritmos de Aprendizaje Profundo (un tipo de particular del Lenguaje de las Máquinas) que se han usado, su aplicación a los datos proporcionados por las instituciones integrantes del proyecto y la validación de los resultados obtenidos.
Este modelo de aprendizaje profundo permite ir más allá de los cortes tradicionales basados solo en una alta similitud de secuencias de ADN y ampliar el catálogo de genes resistentes a antibióticos.
La resistencia bacteriana a los antibióticos es un problema mundial de salud pública que preocupa también en las misiones al espacio exterior.
En previsión del aumento de misiones espaciales es esencial garantizar la salud de los astronautas. Al mismo tiempo, los experimentos en el espacio han registrado un aumento tanto en el daño que causan los microorganismos como en su resistencia a los antibióticos, que en combinación con una respuesta inmunitaria deprimida o alterada de los astronautas, hace que exista un mayor riesgo de infección microbiana en las misiones espaciales.
La Estación Espacial Internacional cuenta con su propio microbioma ambiental moldeado por la microgravedad, la radiación y las pocas personas que acceden a la estación procedentes de los viajes espaciales. Los vuelos espaciales benefician el desarrollo de resistencia antimicrobiana y favorecen la formación de biopelícula, que es un ecosistema microbiano organizado y conformado por una o varias especies de microorganismos asociados a una superficie con características funcionales y estructuras complejas. Estas particularidades añadidas a que los vuelos espaciales a largo plazo han registrado mayor frecuencia en las mutaciones de las bacterias, hacen en conjunto que las infecciones bacterianas sean más difíciles de tratar en el espacio.
Con el objetivo de entender cómo afectan la diversidad microbiana y su daño a los vuelos espaciales, así como ayudar a los investigadores y astronautas a abordar el riesgo de infección y resistencia a antibióticos, los investigadores han usado algoritmos de aprendizaje automático, que es la rama de la inteligencia artificial dedicada a automatizar parte del método científico, en el cual las computadoras observan datos para construir un modelo basado en ellos y utilizar a la vez este modelo como una hipótesis a validar, que aporte solución a problemas complejos.
Este estudio se ha realizado en el marco del máster en Investigación en Inteligencia Artificial, que constituye el trabajo fin de máster en Investigación en Inteligencia Artificial de Pedro Madrigal, que es doctor en bioinformática por la Universidad de Adam Mickiewicz en Poznan, Polonia y que actualmente trabaja en la universidad de Cambridge.
Los profesores del departamento de Inteligencia Artificial de la UNED, Elena Gaudioso y Félix Hernández del Olmo, junto con Afshin Beheshti (investigador en NASA Ames Research Center), se han encargado de la dirección de este trabajo, supervisado la formulación de los algoritmos de Aprendizaje Profundo (un tipo de particular de Machine Learning) que se han usado, su aplicación a los datos proporcionados por las instituciones integrantes del proyecto y la validación de los resultados obtenidos.
El objetivo en este proyecto era analizar secuencias de datos provenientes del seguimiento microbiano generado durante el proyecto Microbial Tracking-1 (MT-1), con muestras de microbios provenientes de ocho localizaciones de la Estación Espacial Internacional durante tres de sus vuelos con vistas a predecir los genes de resistencia a los antibióticos a partir de estos datos.
En total, se han considerado las siguientes muestras: 226 cepas puras (microbios cultivables), secuencias de metagenoma de 21 muestras ambientales y 24 genomas ensamblados en metagenoma, recuperadas de muestras tratadas con monoazida de propidio o PMA.
Las técnicas de secuenciación actuales permiten el acceso directo y la creación de perfiles del grupo total de ADN metagenómico, donde los genes responsables de la resistencia a los antibióticos (conocidos como ARG) generalmente se identifican o predicen en función de los “mejores resultados” de las búsquedas de secuencias en las bases de datos existentes. Desafortunadamente, este enfoque produce una alta tasa de falsos negativos (genes identificados como no resistentes que sí lo son). Para abordar las limitaciones de esta orientación, se ha utilizado un enfoque de aprendizaje profundo supervisado (Deep learning en inglés), en concreto DeepARG propuesto por Arango-Argoty et al. por primera vez en la revista Microbiome en 2018.
Se utilizaron en concreto, los modelos de aprendizaje profundo DeepARG-SS y DeepARG-LS, para secuencias de lectura corta y secuencias de longitud completa del gen, respectivamente y que han demostrado una alta sensibilidad para la detección de genes deresistencia a los antibióticos. Se trata de una red neuronal profunda que considera una matriz de disimilitud entre las diferentes categorías de genes ARG. Esta matriz de disimilitud representa la diferencia existente entre dos determinados ARGs. La capa de salida de la red neuronal en DeepARG está compuesta por 30 unidades que se corresponden con las diferentes categorías de resistencia a antibióticos.
Los resultados del último vuelo revelaron el dominio genes resistentes a antibióticos de Kalamiella piersonii, una bacteria relacionada con la infección del tracto urinario en humanos. En el análisis de 226 cepas puras aisladas del proyecto MT-1 se detectaron cientos de genes de resistencia a antibióticos, incluidas dos especies de alto rango que correspondían a cepas de Enterobacter bugandensis y Bacillus cereus. Las predicciones computacionales fueron validadas experimentalmente por perfiles de resistencia a antibióticos en estas dos especies, mostrando un alto grado de concordancia. Específicamente, los datos del ensayo de disco que confirmaron la alta resistencia de estos dos patógenos a varios antibióticos betalactámicos, que son el grupo de antibióticos más comunes, usados básicamente para cualquier agente antibiótico que contenga un anillo β-lactámico en su estructura molecular.
Esta metodología ha sido aplicada en el espacio, pero sería también aplicable al microbioma en la tierra, donde se podría predecir también los genes de resistencia a los antibióticos a partir de datos obtenidos del microbioma ambiental de diferentes lugares. Siempre que se utiliza Aprendizaje Profundo, es esencial disponer de gran cantidad de datos para poder construir buenos modelos que den lugar a predicciones precisas.
Contar con predicciones precisas contribuye a acotar la cantidad de genes que van a estudiar los investigadores, ayudando a dimensionar las necesidades de las investigaciones. Con las técnicas tradicionalmente empleadas en bioinformática se suelen obtener una alta tasa de falsos negativos, empeorando la especificidad. Sin embargo, empleando Aprendizaje Profundo se ha mejorado la precisión tanto en sensibilidad como en especificidad de las predicciones.
