AI 找出限制抗生素耐药性的更佳治疗策略，预防「超级细菌」

编辑 | 绿罗

抗生素将人类平均寿命至少提高了十年以上。但抗生素的作用已不如以前，部分原因是抗生素的广泛使用。

「世界各地的卫生机构一致认为，我们正在进入后抗生素时代，」克利夫兰诊所（Cleveland Clinic）医学博士 Jacob Scott 解释道。「如果我们不改变追踪细菌的方式，到 2050 年，死于抗生素耐药性感染的人数将超过死于癌症的人数。」

克利夫兰诊所的研究人员开发了一种人工智能 (AI) 模型，该模型可以仅根据细菌在特定扰动下生长的速度，确定治疗细菌感染的更佳药物组合和时间表。

相关研究以「Reinforcement learning informs optimal treatment strategies to limit antibiotic resistance」为题，于 2024 年 2 月 23 日，发布在《Proceedings of the National Academy of Sciences》（PNAS）上。

论文链接：https://doi.org/10.1073/pnas.2303165121

细菌快速复制，产生突变的后代。过度使用抗生素让细菌有机会练习产生抵抗治疗的突变。随着时间的推移，抗生素会杀死所有敏感细菌，只留下抗生素无法杀死的更强的突变体。

医生们使用的一种策略是抗生素轮换（cycling），来使我们治疗细菌感染的方式现代化。医疗保健提供者在特定时期轮流使用不同的抗生素。更换不同的药物可以缩短细菌对任何一类抗生素产生耐药性的时间。轮换甚至会使细菌对其他抗生素更敏感。

「药物轮换在有效治疗疾病方面显示出很大的希望，」该研究的之一作者、医学生 Davis Weaver 博士说。「问题是我们不知道更好的 *** 。医院之间没有统一的标准来规定使用哪种抗生素、使用多长时间、按照什么顺序使用。」

研究合著者 Jeff Maltas 博士是克利夫兰诊所的博士后研究员，他使用计算机模型来预测细菌对一种抗生素的耐药性将如何使其对另一种抗生素的耐药性减弱。他与 Weaver 博士合作，研究数据驱动的模型是否可以预测药物轮换方案，从而更大限度地减少抗生素耐药性，并更大限度地提高抗生素敏感性，尽管细菌进化具有随机性。

图示：示意性进化模拟和经过测试的优化 *** 。（来源：论文）

Weaver 博士带头将强化学习应用于药物轮换模型，该模型教会计算机从错误和成功中学习，以确定完成任务的更佳策略。这项研究是首批将强化学习应用于抗生素轮换疗法的研究之一。Weaver 和 Maltas 说。

「强化学习是一种理想的 *** ，因为你只需要知道细菌生长的速度，这相对容易确定，」Weaver 博士解释说。「也存在人为变化和错误的空间。你不需要每次都完美地测量增长率，精确到毫秒。」

图示：RL agent 在模拟大肠杆菌系统中的性能。（来源：论文）

研究团队的 AI 能够找出最有效的抗生素轮换计划，来治疗多种大肠杆菌菌株并防止耐药性。Maltas 博士说，研究表明 AI 可以支持复杂的决策，例如计算抗生素治疗方案。

Weaver 博士解释说，除了管理个别患者的感染之外，该团队的 AI 模型还可以告知医院如何全面治疗感染。他和他的研究团队还致力于将他们的工作从细菌感染扩展到其他致命疾病。

「这个想法不仅限于细菌，它可以应用于任何能够产生治疗耐药性的东西，」他说。「未来我们相信这些类型的人工智能也可以用于治疗耐药癌症。」

参考内容：https://medicalxpress.com/news/2024-04-ai-treatments-superbugs.html