哈佛研究人员设计检测常用结核病药物预处理耐药性计算方法

美国哈佛医学院Blavatnik研究所的研究人员设计了一种能够检测常用结核病药物预处理耐药性的计算方法。在实验中，他们设法准确地预测了结核病(TB)菌株在十分之一秒内对10种一线和二线药物的耐药性，并且比类似的模型具有更高的准确度。

该方法在《EBioMedicine》期刊中有所描述，并将被添加到哈佛医学院的genTB工具中，该工具可分析结核病数据并预测结核病耐药性。

正如Farhat和他的同事解释的那样，在每年确诊的数百万新结核病例中，大约4%的人对至少两种药物有耐药性，十分之一的患者对多种药物有耐药性。药物敏感性测试设备在发展中国家很难买到，即使在设备精良的实验室，测试结果也需要数周时间才能得到验证。扫描DNA样本寻找耐药基因的新检测方法也有其局限性，主要是无法发现多种药物的耐药性或检测出罕见的耐药促进基因变异体的存在。至于全基因组测序测试，它们在检测对二线药物的耐药性方面往往表现不佳。

相比之下，研究人员的方法是利用机器学习算法来捕捉多种突变的影响。它包括两个模型：一个统计模型和一个“广泛而深入”的系统。这两个人工智能系统接受了对一线和二线药物耐药的3601个TB菌株的培训，包括1228个多药耐药菌株，其结果来自药物敏感性测试。为了测试它们的性能，论文的共同作者从792个完全测序的TB基因组的测试语料库中提取了样本。

“广泛而深入”的人工智能系统预测对一线和二线药物的耐药性的准确率分别为94%和90%，而统计模型预测对一线和二线药物的耐药性的准确率分别为94%和88%。这两种模型都能够在十分之一秒内预测一线和二线治疗的耐药性，而“广泛而深入”的模型具有预测极罕见基因突变影响的能力。

研究人员声称，如果将其纳入临床试验，这些模型可以使药物耐药性检测更快，更准确。

结核病是世界上最致命的疾病之一。近年来，抗结核治疗的手段不断被更新，结核病患者的生存率也越来越高。然而，耐药性结核很难被发现，很难治疗。因此，在诊断时能够迅速发现耐药性的全部情况，对于改善患者的预后以及减少传播至关重要。