来自苏黎世联邦理工学院和巴塞尔大学的科学家们的新研究可以扩展基于MALDI质谱的抗生素敏感性测试在临床微生物学中的应用。
对于Bruker和BioMérieux这两个目前在该领域占据主导地位的公司来说，这一开发可能是一个福音，他们都努力将自己的MALDI平台推向AST领域。
在一项研究发表在自然医学上个月，瑞士研究人员使用机器学习直接从MALDI-TOF质谱预测抗生素的敏感性。在这项研究他们使用了一个训练数据集，其中包含30万个质谱，包括从四家医疗机构收集的微生物中超过75万个抗生素敏感表型，以构建用于预测抗生素耐药性的分类器。他们还训练了针对三种具有强烈临床兴趣的病原体-抗生素配对的耐药分类器金黄色葡萄球菌而且新青二,大肠杆菌头孢曲松钠,肺炎克雷伯菌和头孢曲松，发现它们的曲线下面积分别是。80。74和。74。
此外，研究人员查看了一组63例的记录大肠杆菌，k .肺炎,或金黄色葡萄球菌在这些感染中，医生是在病原体被识别后，但在传统AST信息可用之前就决定使用抗生素的。他们发现，如果使用他们的分类器，63例中有9例会推荐不同的治疗过程。在7个案例中，它会正确地建议降级治疗，在一个案例中正确地建议维持当时的治疗，在一个案例中错误地建议升级治疗。
在过去的十年中，Bruker的MALDI biotype和BioMérieux的Vitek MS临床微生物平台作为微生物鉴定的工具得到了广泛的应用，因为它们能够比传统的生化方法更快地获得id，而且比分子检测更便宜。两家公司也都在努力将他们的平台扩展到抗生素耐药性测试，尽管到目前为止只是在有限的范围内。
例如，Bruker目前提供ce - ivd标记的biotype测试，用于检测头孢菌素和碳青霉烯的耐药性。该公司在美国销售的两种测试都是研究用版本。生物型测试通过检测耐药细菌产生的水解产物来检测对这些抗生素的耐药性。该公司还提供ce - ivd标记模块，用于碳青霉烯耐药的早期自动检测k .肺炎．该模块使用Biotyper来寻找与blaKPC蛋白相关的峰值，这可以提供对碳青霉烯类的抗性。
几年前，Bruker还推出了Biotyper的新版本Biotyper Sirius系统，该系统能够在负离子模式下运行，从而能够更有效地分析细菌脂质，这有助于评估抗生素耐药性。
在最近的研究中提出的机器学习方法的优点是，使用鉴定病原体的质谱仪测量来评估抗生素的敏感性，这可能使一个高度精简的过程。
巴塞尔大学医院临床微生物学主任、该研究的资深作者Adrian Egli说:“无论如何，你只是重复使用MALDI-TOF机器产生的数据。”“所以这是一种非常直接的方法。”
这很合适与建议从业内观察人士认为，MALDI要想在AST领域取得重大进展，就必须采用一种简单的、高度自动化的方法。
除了传统的AST测试，基于maldi的方法正在与传统的AST测试竞争新兴集团其他的快速AST技术来自Gradientech、Specific Diagnostics、Accelerate Diagnostics和Q-linea等公司，它们使用先进图像分析等技术来加速表型检测。
Bruker并没有参与瑞士的这项研究，但他对该团队提出的方法“非常感兴趣”，该公司创新高级副总裁Markus Kostrzewa说。他说，该公司正在内部与自己的机器学习和MALDI质谱仪专家合作，并正在与外部研究人员讨论该方法的潜力。
Kostrzewa说:“我们正在探索将这一想法转化为广泛可用的应用和产品的潜力。”
他指出，在基于maldi的微生物鉴定的早期，人们希望用于鉴定的光谱也可以用于AST的应用，但当时证明这“太乐观了”。他说，这项新研究可能会让这一想法重新流行起来。
他认为，虽然基于maldi的方法不太可能取代传统的AST，但它可以为医生提供初步的早期指导。他说:“这些早期的信息可能对适当的血流感染有特别的价值，因为时间确实很重要。”他指出，该应用程序将补充和扩展布鲁克现有的MALDI生物类型Sepsityper试剂盒。
Kostrzewa认为，虽然医生不太可能基于这种方法来降低治疗级别，但这可能导致他们升级治疗。他指出，这可能会限制这种方法减少广谱抗生素使用的能力。
Egli说，他的团队的机器学习方法似乎并不主要依赖于测量与抗生素耐药性机制直接相关的蛋白质信号，而是在表现出耐药性的细菌之间寻找更广泛的相似性。基于他和他的同事所做的敏感性分析，他还认为该方法正在检测耐药和非耐药生物之间的代谢图谱差异。
他指出，关于这种方法还有许多问题有待解决。例如，目前还不清楚使用这四家医院的数据训练的模型在处理其他地方中心的光谱时效果如何。
“我们的四个中心都位于一个相对较近的地区，”他说。“所以我认为这项研究的下一步将是把它带到柏林或伦敦等地方，你可以预期在那里传播的菌株略有不同。”
另一个问题是临床医生需要多久更新一次他们用来训练分类器的数据。考虑到细菌进化的速度，用几年前的数据训练的分类器可能不再有效。
Egli说:“如果你使用五年前的数据集，我认为基于那种特定的机器学习算法，很难预测今天的耐药性。”“所以在时间方面，你需要有一个相对接近的数据集。我们可能需要每年对算法进行一次训练和更新。”
他说，他和他的团队目前正在与传染病和重症监护领域的同事讨论计划一个多中心的前瞻性临床试验，以跟进他们的初步结果。
他说:“我们现在正在努力找出，真的，它适合在哪里使用。”“我们将对研究进行前瞻性验证，以真正检查在随机对照试验中的影响，其中一组患者将使用算法，而另一组不会，然后我们可以测量，例如，最佳抗生素治疗的时间，我们可以说算法是否有影响。”
Egli说，最终，“我们的梦想是基本上建立一个基于网络的平台，可以由感兴趣的个人部署，这样他们就可以把它作为一个工具，在他们自己的本地中心使用自己的数据。”