Las abstinencias de drogas son una crisis global en la creciente crisis mundial con bacterias mortales, como la tuberculosis y el Stef. Estas infecciones son difíciles de curar, a menudo necesitan medicamentos más caros o tóxicos y son responsables de la larga estadía y la tasa de mortalidad en el hospital. Según la Organización Mundial de la Salud, en solo 2021, 450,000 personas desarrollaron tuberculosis resistente a múltiples drogas, la tasa de éxito en el tratamiento fue solo del 57 %.
Ahora, los científicos de la Universidad de Tollen han desarrollado una nueva forma de inteligencia artificial que detecta con mayor precisión en los marcadores genéticos de la resistencia a los antibióticos. Mycobacterium tuberculosis Y Stephiloxicoxes oraius – Posiblemente tratamiento rápido y más eficiente.
Un estudio de tolin, que apareció Comunicaciones de la naturalezaIntroduce un nuevo modelo de asociación grupal (GAM) que utiliza el aprendizaje automático para identificar variaciones genéticas asociadas con la resistencia a los medicamentos. A diferencia de las herramientas tradicionales, que se pueden incorporar por variaciones irrelevantes erróneas, el GAM no depende de la información anticipada del procedimiento de resistencia, lo que lo hace más flexible y primero para encontrar cambios genéticos desconocidos.
Los métodos actuales para detectar la resistencia utilizados por las organizaciones, como los que toman un largo tiempo, como las variaciones de prueba o raras basadas en la cultura, como algunas pruebas basadas en ADN. El modelo de Tolin resuelve ambos problemas para encontrar cambios genéticos analizando toda la serie de genoma y comparando grupos de estrés bacteriano con varios patrones de resistencia que reflejan la resistencia a los medicamentos específicos de manera confiable.
“Piense en lo que está protegido de los antibióticos para descubrir toda la huella digital genética de las bacterias, que está a salvo de los antibióticos”. “Básicamente, estamos enseñando a una computadora a reconocer los patrones de resistencia que no necesitamos identificarlos primero”.
En el estudio, los investigadores aplicaron a GAM a más de 7,000 tensiones Mtb Y alrededor de 4,000 tensiones S oreis, Identificación de cambios clave asociados con la resistencia. Descubrió que el GAM no solo coincidía o excedía la precisión de la base de datos de resistencia de la OMS, sino que también redujo los falsos positivos, mala conducta, identificando los marcadores de resistencia que podrían conducir a un tratamiento inapropiado.
“Las pruebas genéticas existentes pueden calificarse como un resistente al estudiante de diagnóstico celular y molecular, dijo un estudiante graduado, un estudiante graduado,”, dijo Julian Saliba, estudiante de posgrado. “Nuestro procedimiento proporciona una imagen clara de que las variaciones realmente causan resistencia, reducen los conceptos erróneos y los cambios innecesarios en el tratamiento”.
Cuando la máquina aprendió, la capacidad de predecir la resistencia con datos limitados o incompletos mejoró. En el estudio de verificación utilizando las muestras clínicas de China, el modelo que mejoró el aprendizaje automático mejora los métodos basados en la OMS para predecir la resistencia a los antibióticos de primera línea clave.
Esto es importante porque captar la resistencia de la piel puede ayudar a los médicos de acuerdo con el tratamiento terapéutico antes de propagarse o dañarse.
La capacidad de detectar resistencia sin la necesidad de un experto en modelo también significa que potencialmente puede aplicarse a otras bacterias o agricultura, donde la resistencia a los antibióticos también es una preocupación en el cultivo.
“Es muy importante que nos mantengamos adelante con una abstinencia de drogas, dijo Saliba.” Esta herramienta puede ayudarnos a hacer eso “.
