Ein KI-Modell, das mit großen Mengen genetischer Daten trainiert wurde, kann vorhersagen, ob Bakterien antibiotikaresistent werden. Die neue Studie zeigt, dass Antibiotikaresistenzen leichter zwischen genetisch ähnlichen Bakterien übertragen werden und hauptsächlich in Kläranlagen und im menschlichen Körper auftreten.
Komplexe Daten aus aller Welt
In der neuen, in Nature Communications veröffentlichten Studie, die von Forschern der Technischen Universität Chalmers, der Universität Göteborg und des Fraunhofer-Chalmers-Zentrums durchgeführt wurde, entwickelten die Forscher ein KI-Modell zur Analyse historischer Gentransfers zwischen Bakterien anhand von Informationen über DNA, Struktur und Lebensraum der Bakterien. Das Modell wurde anhand der Genome von fast einer Million Bakterien trainiert, einem umfangreichen Datensatz, der von der internationalen Forschungsgemeinschaft über viele Jahre hinweg zusammengetragen wurde.
„KI kann in komplexen Kontexten mit großen Datenmengen optimal eingesetzt werden“, sagt David Lund, Doktorand am Institut für Mathematik der Chalmers University of Technology und der Universität Göteborg. „Das Besondere an unserer Studie ist unter anderem die enorme Datenmenge, die zum Trainieren des Modells verwendet wurde. Dies zeigt, wie leistungsfähig KI und maschinelles Lernen zur Beschreibung der komplexen biologischen Prozesse sind, die die Behandlung bakterieller Infektionen erschweren.“
Neue Erkenntnisse darüber, wann Antibiotikaresistenzen entstehen
Die Studie zeigt, in welchen Umgebungen die Resistenzgene zwischen verschiedenen Bakterien übertragen wurden und warum manche Bakterien eher Gene untereinander austauschen als andere.
„Wir sehen, dass Bakterien, die beim Menschen und in Kläranlagen vorkommen, eine höhere Wahrscheinlichkeit haben, durch Gentransfer resistent zu werden. In diesen Umgebungen treffen Bakterien mit Resistenzgenen aufeinander, oft in Gegenwart von Antibiotika“, sagt David Lund.
Ein weiterer wichtiger Faktor, der die Wahrscheinlichkeit erhöht, dass Resistenzgene von einem Bakterium auf ein anderes „überspringen“, ist die genetische Ähnlichkeit der Bakterien. Wenn ein Bakterium ein neues Gen aufnimmt, wird Energie benötigt, um die DNA zu speichern und das Protein zu produzieren, für das das Gen kodiert. Dies bedeutet Kosten für das Bakterium.
„Die meisten Resistenzgene werden zwischen Bakterien mit ähnlicher genetischer Struktur geteilt. Wir glauben, dass dies die Kosten für die Aufnahme neuer Gene reduziert. Wir setzen die Forschung fort, um die Mechanismen, die diesen Prozess steuern, genauer zu verstehen“, sagt Erik Kristiansson.
Hoffnung auf ein Modell für die Diagnostik
Die Leistung des Modells wurde anhand von Bakterien getestet, bei denen die Forscher wussten, dass eine Übertragung von Resistenzgenen stattgefunden hatte, das KI-Modell jedoch nicht im Voraus informiert wurde. Dies diente als eine Art Prüfung, bei der nur die Forscher die Antworten hatten. In vier von fünf Fällen konnte das Modell vorhersagen, ob eine Übertragung von Resistenzgenen stattfinden würde. Erik Kristiansson sagt, dass zukünftige Modelle noch genauer sein werden, teils durch die Verfeinerung des KI-Modells selbst und teils durch das Training mit noch größeren Datenmengen.
„KI und maschinelles Lernen ermöglichen es, die enormen Datenmengen, die heute verfügbar sind, effizient zu analysieren und zu interpretieren. Das bedeutet, dass wir wirklich datenbasiert arbeiten können, um komplexe Fragen zu beantworten, mit denen wir uns schon lange auseinandersetzen, aber auch völlig neue Fragen stellen können“, sagt Erik Kristiansson.
Die Forscher hoffen, dass das KI-Modell künftig in Systemen eingesetzt werden kann, um schnell zu erkennen, ob ein neues Resistenzgen Gefahr läuft, auf pathogene Bakterien übertragen zu werden, und dies in praktische Maßnahmen umzusetzen.
„KI-Modelle könnten beispielsweise zur Verbesserung der molekularen Diagnostik eingesetzt werden, um neue Formen multiresistenter Bakterien zu finden oder um Kläranlagen und Umgebungen zu überwachen, in denen Antibiotika vorkommen“, sagt Erik Kristiansson.
Source:
https://www.nature.com/articles/s41467-025-57825-3
