Forskare har använt maskininlärning för att hitta nya sätt att identifiera och lokalisera sjukdomar i fjäderfäfarmar, vilket kommer att bidra till att minska behovet av antibiotikabehandling, vilket minskar risken för att antibiotikaresistens överförs till mänskliga populationer.

Studien, publicerad i The ISME Journal , leddes av Dr. Tania Dottorini från skolan för veterinärmedicin och vetenskap och framtida matfyr vid universitetet i Nottingham.

Den snabba ökningen av fjäderfäproduktionen för att möta den växande efterfrågan i Kina har resulterat i omfattande och urskillningslös användning av antibiotika. Detta har lett till en oroande ökning av fall av antimikrobiell resistens (AMR) som diagnostiserats hos djur, som potentiellt kan spridas till människor via direktkontakt, miljöförorening och livsmedelskonsumtion.

Eftersom antibiotikaresistens nu är en av de mest hotande frågorna i världen, kan effektiv och snabb diagnostik av bakterieinfektioner inom kycklinguppfödning minska behovet av antibiotika, vilket kommer att minska epidemier och AMR.

I detta projekt samlade forskare i Nottingham in prover från djuren, människorna och miljön på en kinesisk gård och dess anslutna slakteri. Denna komplexa "stora" data har nu analyserats för nya diagnostiska biomarkörer som kommer att förutsäga och detektera bakteriell infektion, uppsving av AMR och överföring till människor. Dessa data kommer sedan att möjliggöra tidig intervention och behandling, vilket minskar spridningen och behovet av antibiotika.

Studien gav tre nyckelresultat. För det första hittades flera liknande kliniskt relevanta antimikrobiella resistensgener (ARG) och associerade mobila genetiska element (antibiotikaresistensgener som kan röra sig inom genom och mellan bakterier), i prover av både mänskliga och broilerkycklingar. Speciellt elva typer av kliniskt viktiga antibiotikaresistensgener, med bevarade mobila ARG-genstrukturer, hittades mellan prover från olika värdar.

Dr. Dottorini sa:"Dessa likheter skulle ha missats om vi bara använde storskalig konventionell jämförande analys, som faktiskt visade att mikrobiom och resistomer skiljer sig åt mellan miljöer och värdar. Sammantaget tyder detta fynd på relevansen av att anta en multi-skala analys vid dissekering av likheter och skillnader mellan resistomer och mikrobiomer i komplexa sammanlänkade miljöer."

För det andra visade studien att genom att utveckla ett maskininlärningsdrivet tillvägagångssätt som integrerar metagenomikdata med kulturbaserade metoder, fann teamet förekomsten av en kärnresistom för kycklingtarm som är korrelerad med AMR som cirkulerar i gårdarna. Dessa resultat stödde hypotesen att det finns korrelationer mellan resistensfenotyper av individuella kommensala och patogena bakterier och typerna av ARG i resistomet där de finns.

Slutligen, med hjälp av avkänningsteknik och maskininlärning, upptäckte teamet att de AMR-relaterade kärnresistomerna i sig är förknippade med olika externa faktorer som temperatur och luftfuktighet.

Dr. Dottorini sa:"Livsmedelsproduktionsindustrin representerar en storkonsument av antibiotika, men AMR-riskerna inom dessa miljöer är fortfarande inte helt klarlagda. Det är därför viktigt att lägga fram studier och förbättrade metoder som är optimerade för dessa miljöer där djur och människor kan vara i nära kontakt. Precisionsjordbruk, kostnadseffektiv DNA-sekvensering och den ökade användningen av maskininlärningsteknologier erbjuder möjligheten att utveckla metoder som ger en bättre förståelse och kvantifiering av AMR-risker i jordbruksmiljöer." + Utforska vidare

Maskininlärning identifierar antibiotikaresistenta bakterier som kan spridas mellan djur, människor och miljö