Antibiotikaresistenz mit KI-Modellen vorhersagen: Datenverzerrung mindert Zuverlässigkeit

Um Antibiotikaresistenzen bei Krankheitserregern vorherzusagen, greift man zunehmend auf Künstliche Intelligenz (KI) und Maschinelles Lernen zurück. Mit dessen Hilfe lassen sich anhand der Genetik eines Erregers Resistenzmechanismen erkennen. Die Ergebnisse sind allerdings mit Vorsicht zu betrachten.

Forschende des Würzburger Helmholtz-Institutes für RNA-basierte Infektionsforschung (HIRI) haben nämlich nachweisen können, dass die Modelle häufig weniger zuverlässig sind als angenommen. Ihre Erkenntnisse haben die Wissenschaftler kürzlich in „PLOS Biology“ veröffentlicht. Sie tragen laut den Autoren dazu bei, verlässlichere Werkzeuge zur Vorhersage und Bekämpfung von Antibiotikaresistenzen zu entwickeln.

Guter Ansatz ‒ aber mit Schwächen

Antibiotikaresistente Infektionen stellen eine immer größer werdende Bedrohung dar. Anstatt Bakterien klassisch zu kultivieren und ihre Reaktion auf Antibiotika zu testen, analysieren Labore zunehmend das bakterielle Erbgut, um frühzeitig Resistenzen zu identifizieren. Aus den DNA-Sequenzen des Erregers können Forschende ableiten, über welche Resistenzmechanismen er verfügen könnte und anschließend wirksame Behandlungsmöglichkeiten vorschlagen.

Computerprogramme, die aus vorhandenen Sequenzierungsdaten „lernen”, sind dabei ein vielversprechender Weg, um vorherzusagen, welche Antibiotika wirken und welche nicht. Diese Technologien haben jedoch auch Defizite: Eine oft unterschätzte Herausforderung sind dabei die Annahmen, die die computergestützten Methoden selbst treffen.

Genau diese Annahmen können zu übermäßig optimistischen Ergebnissen hinsichtlich der Vorhersagekraft führen und so deren Aussagewert verzerren. Dies haben nun die Studienautoren vom HIRI ‒ einem Standort des Braunschweiger Helmholtz-Zentrums für Infektionsforschung (HZI) in Kooperation mit der Julius-Maximilians-Universität Würzburg (JMU) ‒ gemeinsam mit der University of Birmingham in Großbritannien nachgewiesen.

Die meisten klassischen Methoden des Maschinellen Lernens erfordern, dass die Trainingsdaten unabhängig und identisch verteilt sind. Das ist bei Bakterienproben allerdings nicht der Fall: Eng verwandte Bakterien weisen viele gemeinsame Merkmale auf. Während einer Epidemie setzen sich erfolgreiche Erregervarianten schnell durch. Wenn sie sich unter anderem aufgrund ihrer Abwehrmechanismen gegen Antibiotika so rasch vermehren, verbreiten sich automatisch auch andere Merkmale – selbst, wenn diese nichts mit Resistenz zu tun haben.

Dies kann den Anschein erwecken, dass bestimmte genetische Merkmale direkt mit einer Resistenz zusammenhängen, obwohl sie in Wirklichkeit nur aufgrund der Verwandtschaft der Erreger gemeinsam auftreten. Die Algorithmen lernen folglich, verwandte Stämme vorherzusagen, anstatt die Resistenz selbst.

24.000 Genome von fünf Bakterienarten

„In diesem Projekt haben wir mehr als 24.000 Genome, also die Gesamtheit aller Erbinformationen, von fünf bedeutenden krankheitsverursachenden Bakterienarten analysiert“, berichtet Prof. Lars Barquist. Er ist Professor an der University of Toronto (Kanada), mit dem HIRI assoziiert und korrespondierender Autor der aktuellen Publikation. Bei den darin untersuchten Bakterienarten handelt es sich um Escherichia coli, Klebsiella pneumoniae, Salmonella enterica, Staphylococcus aureus sowie Streptococcus pneumoniae. Für diese Keime liefern gängige maschinelle Lernverfahren ein übermäßig positives Bild davon, wie gut die Resistenzvorhersage funktioniert.

„Wir wollten untersuchen, wie sich die verzerrte Stichprobenauswahl auf die Leistungsfähigkeit von Machine-Learning-Tools zur Vorhersage von Resistenzen auswirkt“, erläutert Barquist. Die Forschenden konstruierten Szenarien, in denen Resistenzen mit bakteriellen Stammbäumen verknüpft sind. Sie konnten zeigen, dass herkömmliche Ansätze zu überoptimistischen Ergebnissen führen können, die nicht verallgemeinerbar sind.

Erstautorin Yanying Yu aus Barquists Labor erklärt: „Wenn die Modelle realistischer bewertet werden, indem sichergestellt wird, dass die Trainings- und Testbakterien nicht aus derselben genetischen Familie stammen, sinkt die Genauigkeit – manchmal sogar drastisch.“ Somit können Modelle, welche die evolutionären Beziehungen zwischen Bakterien außer Acht lassen, möglicherweise echte Resistenzsignale nicht erfassen. Dadurch wird ihre Fähigkeit eingeschränkt, genaue Vorhersagen für bisher unbekannte Abstammungslinien zu treffen. Infolgedessen ist es unwahrscheinlich, dass solche Methoden zuverlässige Anhaltspunkte für eine präzise Behandlung liefern, wenn neue pathogene Stämme auftreten.

Die Studie vermittelt einen umfassenden Eindruck vom Ausmaß dieses Problems: „Viele der bisherigen Methoden-Bewertungen waren wahrscheinlich zu optimistisch“, schlussfolgert Barquist. „Um zuverlässige Instrumente zur Vorhersage von Antibiotikaresistenzen zu entwickeln, ist es unerlässlich, die evolutionären Beziehungen der Bakterien zu berücksichtigen“, bemerkt Yu.

Erkenntnisse für neue Testverfahren und Datensätze

Die Forschungsergebnisse bieten laut den beteiligten Wissenschaftlern wertvolle Ansatzpunkte für die Entwicklung verbesserter Testverfahren und Datensätze. Sie können auch als Orientierung für zukünftige Modelle und Überwachungssysteme dienen. Damit ermöglichen sie neue methodische Ansätze, die die Struktur von Bakterienpopulationen berücksichtigen und somit präzisere Vorhersagen erlauben.

Die Studie wurde aus Mitteln des Bayerischen Staatsministeriums für Wissenschaft und Kunst im Rahmen des Forschungsnetzwerks bayresq.net und des kanadischen Natural Sciences and Engineering Research Council gefördert.