美國哈佛醫(yī)學院Blavatnik研究所的研究人員設計了一種能夠檢測常用結(jié)核病藥物預處理耐藥性的計算方法。在實驗中，他們設法準確地預測了結(jié)核病(TB)菌株在十分之一秒內(nèi)對10種一線和二線藥物的耐藥性，并且比類似的模型具有更高的準確度。

該方法在《EBioMedicine》期刊中有所描述，并將被添加到哈佛醫(yī)學院的genTB工具中，該工具可分析結(jié)核病數(shù)據(jù)并預測結(jié)核病耐藥性。

正如Farhat和他的同事解釋的那樣，在每年確診的數(shù)百萬新結(jié)核病例中，大約4%的人對至少兩種藥物有耐藥性，十分之一的患者對多種藥物有耐藥性。藥物敏感性測試設備在發(fā)展中國家很難買到，即使在設備精良的實驗室，測試結(jié)果也需要數(shù)周時間才能得到驗證。掃描DNA樣本尋找耐藥基因的新檢測方法也有其局限性，主要是無法發(fā)現(xiàn)多種藥物的耐藥性或檢測出罕見的耐藥促進基因變異體的存在。至于全基因組測序測試，它們在檢測對二線藥物的耐藥性方面往往表現(xiàn)不佳。

相比之下，研究人員的方法是利用機器學習算法來捕捉多種突變的影響。它包括兩個模型：一個統(tǒng)計模型和一個“廣泛而深入”的系統(tǒng)。這兩個人工智能系統(tǒng)接受了對一線和二線藥物耐藥的3601個TB菌株的培訓，包括1228個多藥耐藥菌株，其結(jié)果來自藥物敏感性測試。為了測試它們的性能，論文的共同作者從792個完全測序的TB基因組的測試語料庫中提取了樣本。

“廣泛而深入”的人工智能系統(tǒng)預測對一線和二線藥物的耐藥性的準確率分別為94%和90%，而統(tǒng)計模型預測對一線和二線藥物的耐藥性的準確率分別為94%和88%。這兩種模型都能夠在十分之一秒內(nèi)預測一線和二線治療的耐藥性，而“廣泛而深入”的模型具有預測極罕見基因突變影響的能力。

研究人員聲稱，如果將其納入臨床試驗，這些模型可以使藥物耐藥性檢測更快，更準確。

結(jié)核病是世界上最致命的疾病之一。近年來，抗結(jié)核治療的手段不斷被更新，結(jié)核病患者的生存率也越來越高。然而，耐藥性結(jié)核很難被發(fā)現(xiàn)，很難治療。因此，在診斷時能夠迅速發(fā)現(xiàn)耐藥性的全部情況，對于改善患者的預后以及減少傳播至關(guān)重要。