Kháng kháng sinh đang trở thành một mối đe dọa đáng báo động đối với sức khỏe cộng đồng toàn cầu. Tình trạng gia tăng vi khuẩn kháng thuốc, cùng với sự chậm trễ trong phát triển thuốc kháng sinh mới, đang tạo ra một cuộc khủng hoảng y tế tiềm tàng. Trong bối cảnh này, học máy (Machine Learning – ML) đã và đang nổi lên như một công cụ đầy hứa hẹn trong cuộc chiến chống lại kháng kháng sinh. Sức mạnh của ML nằm ở khả năng phân tích lượng dữ liệu khổng lồ, xác định các mẫu ẩn và đưa ra dự đoán, từ đó cách mạng hóa cách chúng ta phát hiện, phát triển và sử dụng thuốc kháng sinh.
- Vai Trò của Học Máy trong Phát Hiện và Phát Triển Thuốc Kháng Sinh Mới
Các thuật toán ML có khả năng phân tích lượng dữ liệu khổng lồ để xác định các mẫu và dự đoán hoạt tính kháng khuẩn của các hợp chất mới, đẩy nhanh quá trình khám phá và phát triển thuốc kháng sinh mới, đồng thời giảm thời gian và chi phí nghiên cứu.
1.1. Peptide kháng khuẩn (Antimicrobial Peptides – AMP)
AMP là những chuỗi axit amin ngắn có khả năng tiêu diệt vi khuẩn. Học máy đã được chứng minh là có tiềm năng to lớn trong việc phát triển AMP:
- Xác định các AMP tiềm năng: Học máy có thể được sử dụng để sàng lọc cơ sở dữ liệu peptide hoặc thậm chí là “không gian trình tự ảo” để tìm kiếm các AMP mới. Một nghiên cứu gần đây đã sử dụng phương pháp tiếp cận dựa trên học máy để dự đoán gần một triệu trình tự AMP mới từ microbiome toàn cầu [1]. Trong số 100 peptide được thử nghiệm, 79 peptide cho thấy hoạt tính in vitro, và một số peptide cho thấy hiệu quả tương đương với kháng sinh lâm sàng trong mô hình tiền lâm sàng nhiễm trùng ở chuột [1].
- Tối ưu hóa AMP hiện có: Các thuật toán ML có thể dự đoán các sửa đổi chuỗi AMP để cải thiện hiệu quả, độ ổn định hoặc tính chọn lọc.
1.2. Liệu pháp phage
Liệu pháp phage sử dụng virus diệt khuẩn (phage) để tiêu diệt vi khuẩn. Học máy có thể đóng góp đáng kể vào lĩnh vực này:
- Dự đoán lối sống của phage: Các mô hình học máy có thể được sử dụng để dự đoán liệu một phage có khả năng lytic (tiêu diệt vi khuẩn) hay lysogenic (tích hợp vào hệ gen của vi khuẩn). Điều này rất quan trọng trong việc lựa chọn phage phù hợp để điều trị các bệnh nhiễm khuẩn kháng thuốc.
- Xác định phage phù hợp: Học máy có thể được sử dụng để dự đoán phage nào có hiệu quả nhất trong việc tiêu diệt một chủng vi khuẩn cụ thể, từ đó giúp tối ưu hóa liệu pháp phage cho từng bệnh nhân.
- Cải thiện việc sử dụng thuốc kháng sinh
Học máy có thể được sử dụng để cải thiện việc kê đơn thuốc kháng sinh và chương trình quản lý thuốc kháng sinh (AMS). Một số ứng dụng bao gồm:
- Dự đoán tính nhạy cảm với kháng sinh: Các mô hình ML có thể được đào tạo để dự đoán tính nhạy cảm với kháng sinh của vi khuẩn dựa trên dữ liệu bộ gen của vi khuẩn. Một ví dụ điển hình là mô hình được phát triển để dự đoán tính nhạy cảm của baumannii đối với bốn loại thuốc kháng sinh (imipenem, ceftazidime, cefepime và ciprofloxacin) bằng cách sử dụng mNGS [2]. Mô hình này đạt độ chính xác cao, với PPV (Positive Predictive Value) trên 0,97 và NPV (Negative Predictive Value) từ 86,67% đến 100%.
- Xác định các yếu tố nguy cơ: Học máy có thể giúp xác định các yếu tố nguy cơ nhiễm trùng kháng thuốc, hỗ trợ các bác sĩ lâm sàng trong việc nhắm mục tiêu can thiệp.
- Tối ưu hóa phác đồ điều trị: Học máy có thể được sử dụng để cá nhân hóa phác đồ điều trị kháng sinh dựa trên đặc điểm của bệnh nhân và vi khuẩn.
- Các Phương Pháp Học Máy Phổ Biến
Một số phương pháp học máy thường được sử dụng trong lĩnh vực này bao gồm:
- Logistic Regression (LR) [3]
- Support Vector Machines (SVM) [3]
- Gradient Boosting Decision Trees (GBDT) [3]
- Random Forest [3]
- Multilayer Perceptrons (MLP) [3]
- Deep Learning [3]
Việc lựa chọn phương pháp phù hợp phụ thuộc vào loại dữ liệu, mục tiêu nghiên cứu và các yếu tố khác.
- Thách thức và Cơ hội
Mặc dù tiềm năng to lớn của ML trong cuộc chiến chống kháng kháng sinh, vẫn còn một số thách thức:
- Dữ liệu chất lượng: Hiệu suất của các mô hình ML phụ thuộc vào chất lượng và kích thước của dữ liệu đào tạo [5].
- Khả năng giải thích: Nhiều mô hình ML phức tạp hoạt động như “hộp đen”, khiến việc hiểu lý do đằng sau dự đoán của chúng trở nên khó khăn [5].
- Hợp tác liên ngành: Giải quyết vấn đề kháng kháng sinh đòi hỏi sự hợp tác giữa các nhà nghiên cứu từ nhiều lĩnh vực khác nhau, bao gồm ML, vi sinh, y học và khoa học dữ liệu [5].
Với những tiến bộ không ngừng trong công nghệ ML và sự gia tăng dữ liệu, ML có tiềm năng cách mạng hóa cách chúng ta chống lại kháng kháng sinh. Việc áp dụng học máy là một hướng đi đầy hứa hẹn để giải quyết một trong những thách thức y tế cấp bách nhất hiện nay.
TÀI LIỆU THAM KHẢO
[1] Santos-Júnior, C.D. et al. (2024) ‘Discovery of antimicrobial peptides in the global microbiome with machine learning’, Cell, 187(14), pp. 3761-3778.e16.
[2] Hu, X. et al. (2023) ‘Novel Clinical mNGS-Based Machine Learning Model for Rapid Antimicrobial Susceptibility Testing of Acinetobacter baumannii’, Journal of Clinical Microbiology, 61(5), p. e01805. Available at: https://doi.org/10.1128/jcm.01805-22.
[3] Kherabi, Y. et al. (2024) ‘Machine learning to predict antimicrobial resistance: future applications in clinical practice?’, Infectious Diseases Now, 54(3), p. 104864. Available at: https://doi.org/10.1016/j.idnow.2024.104864.
[4] Stokes, J.M. et al. (2020) ‘A Deep Learning Approach to Antibiotic Discovery’, Cell, 180(4), pp. 688-702.e13. Available at: https://doi.org/10.1016/j.cell.2020.01.021.
[5] Peiffer-Smadja, N. et al. (2020) ‘Machine learning for clinical decision support in infectious diseases: a narrative review of current applications’, Clinical Microbiology and Infection, 26(5), pp. 584–595. Available at: https://doi.org/10.1016/j.cmi.2019.09.009.
Người tổng hợp: Vương Hương
LOBI Vietnam là công ty tiên phong trong lĩnh vực Đọc trình tự gen thế hệ mới NGS (Next Generation Sequencing) và Phân tích Tin sinh học. Liên hệ hotline/Zalo 092.510.8899 để biết thêm chi tiết.
