Krankheitserreger dank maschinellem Lernen erkennen Wie Computer Salmonellen aufspüren

Schneller als jeder Labortest: Ein neues maschinelles Lern-Tool kann helfen, gefährliche Krankheitserreger zu erkennen, bevor sie einen Krankheitsausbruch verursachen. Das Computerprogramm, das von einem internationalen Forscherteam entwickelt wurde, kann genetische Veränderungen identifizieren, die typischerweise im Zusammenhang mit aggressiven Salmonellenstämmen stehen. Auch für Tests auf Antibiotikaresistenzen soll das Tool geeignet sein.

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Disy Informationssysteme GmbH

Sinequa

Helmholtz-Zentrum für Infektionsforschung GmbH

Seit Genom-Sequenzierungen erschwinglich geworden sind, setzen Wissenschaftler sie auf der ganzen Welt ein. Anhand der genetischen Eigenschaften von Bakterien können sie besser verstehen, wie sich Krankheiten verbreiten, wie Bakterien resistent gegen Medikamente werden und welche Bakterienstämme Krankheitsausbrüche auslösen können. Die Methoden, die derzeit zur Verfügung stehen, um die genetischen Veränderungen neuer Erregerstämme bei einem Krankheitsausbruch zu identifizieren, sind allerdings sehr zeitaufwändig. So muss oft ein manuelles Abgleichen des neuen Stammes mit vorhandenen Referenz-Sammlungen erfolgen.

Dies trifft auch auf die vielen verschiedenen Arten der Bakteriengattung Salmonella zu. Einige von ihnen verursachen Lebensmittelvergiftungen, bekannt als Magen-Darm-Salmonellen, während andere weit über den Darm hinausreichende Krankheiten hervorrufen – wie der Typhuserreger Salmonella enterica Serovar Typhi.

Wie aber führen bestimmte genetische Veränderungen dazu, dass ein neu auftretender Salmonellen-Stamm eine Lebensmittelvergiftung oder eine weitreichendere Infektion auslöst? Um das zu verstehen, haben Forscher des Helmholtz-Instituts für RNA-basierte Infektionsforschung in Würzburg ein so genanntes Machine Learning Tool entwickelt. Die Software analysiert, welche Mutationen eine wichtige Rolle in der Krankheitsentwicklung spielen. An dem internationalen Projekt waren auch Wissenschaftler des Wellcome Sanger Institute in Großbritannien und der University of Otago in Neuseeland beteiligt.

Salmonellenkunde für den Computer

Das Entwicklerteam etablierte ein Modell, das darauf trainiert wurde, wichtige krankheitsassoziierte Unterschiede zwischen verschiedenen Salmonellenstämmen gezielt zu erkennen. Als Trainingsdatensatz diente den Forschern die genetischen Informationen von 13 bekannten und genetisch sehr unterschiedlichen Salmonella-enterica-Stämmen mit unterschiedlichen Krankheitspotenzialen. Das Modell identifizierte dabei fast 200 Gene, die einen Einfluss darauf haben, ob ein Bakterium eher eine Lebensmittelvergiftung oder einen invasiven Infektionsprozess auslöst.

„Wir haben ein neues Machine-Learning-Modell entwickelt, mit dem wir erkennen können, ob neu auftretende Bakterienstämme ein potenzielles Risiko für die öffentliche Gesundheit darstellen“, sagt Dr. Nicole Wheeler vom Wellcome Sanger Institute. „Mit diesem Tool können wir große Datenmengen bewältigen und in Sekundenschnelle Ergebnisse erhalten. Dies wird zukünftig eine Form der Überwachung von krankheitserregenden Bakterien ermöglichen, die bisher noch nicht denkbar war – und das nicht nur auf einzelnen Krankenstationen, sondern weltweit.“

Erreger schnell und zuverlässig einstufen

Seinen ersten Praxiseinsatz hat das maschinelle Lern-Tool bereits erfolgreich bestanden: Beim Vergleich neuer Salmonella-Stämme, die derzeit südlich der Sahara auftreten, hat die Software aus der Gesamtheit häufig auftretender Infektionstypen (Salmonella Enteritidis und Salmonella Typhimurium) gezielt zwei Varianten des Erregers hervorgehoben, die besonders gefährlich sind und eine höhere Anzahl von Blutbahn-Infektionen auslösen.

Diese Infektionen bedrohen vor allem Menschen mit einem geschwächten Immunsystem, wie es zum Beispiel HIV-Infizierte haben. Das maschinelle Lern-Tool zeigte deutlich die genetischen Veränderungen auf, die es diesen beiden Salmonella-Stämmen ermöglichen, sich an ihre Wirte anzupassen und damit invasiver zu werden, heißt es in einer Pressemeldung.

„Das maschinelle Lern-Tool ist ein bedeutender methodischer Fortschritt, da es nicht nur nach Genen und Mutationen sucht, sondern auch nach den funktionellen Auswirkungen, die diese Mutationen haben“, so Dr. Lars Barquist, vom Helmholtz-Institut für RNA-basierte Infektionsforschung in Würzburg. „Es kann damit vorhersagen, welche Mutationen es den Krankheitserregern ermöglichen, sich über den Darm hinaus zu verbreiten und damit lebensbedrohliche Krankheiten auszulösen. Das wird zukünftig dabei helfen, effektivere Behandlungsmethoden zu entwickeln.“

Antibiotikaresistenzen aufspüren und mehr

Auch wenn die ersten Praxistests nur mit Salmonellen durchgeführt wurden, ist das maschinelle Lern-Tool den Forschern zufolge nicht auf diese beschränkt, sondern vielfältig einsetzbar. Genauso könnte es zur Untersuchung anderer Faktoren, zum Beispiel entstehende Antibiotikaresistenzen bei verschiedensten Krankheitserregern, angewendet werden. Mit diesem Tool wollen die Wissenschaftler in Zukunft gefährliche Bakterienstämme in Echtzeit identifizieren und Krankheitsausbrüche verhindern.

„Wir nutzen diesen Ansatz bereits, um nach den wichtigsten Unterschieden zwischen asiatischen und afrikanischen Salmonella enterica (Serovar Typhi)-Stämmen zu suchen“, berichtet Dr. Nicholas Feasey von der Liverpool School of Tropical Medicine. „Anstatt die Genome verschiedener Bakterienstämme in wochen- und monatelanger Kleinarbeit manuell zu vergleichen, sind wir nun in der Lage, die genetischen Veränderungen neuer Krankheitserreger sofort zu bestimmen. Das bietet uns die Möglichkeit, Krankheitsausbrüche sozusagen live zu verfolgen und damit schnell gesundheitspolitische Maßnahmen zur Kontrolle und Prävention ergreifen zu können.“

Originalpublikation: Nicole E. Wheeler, Paul P. Gardner, Lars Barquist: Machine learning identifies signatures of host adaptation in the bacterial pathogen Salmonella enterica. PLOS Genetics 2018, DOI: 10.1371/journal.pgen.1007333

Dieser Artikel stammt von unserem Partnerportal Laborpraxis. Verantwortlicher Redakteur: Christian Lüttmann

* S. Thiele, Helmholtz-Zentrum für Infektionsforschung, 38124 Braunschweig

(ID:45323290)