Simple Science

Ciência de ponta explicada de forma simples

# Biologia# Microbiologia

Enfrentando o desafio da tuberculose e da resistência a antibióticos

Uma nova ferramenta na nuvem ajuda a prever a resistência a antibióticos da tuberculose de forma eficaz.

Jeremy Westhead, Catriona S Baker, Marc Brouard, Matthew Colpus, Bede Constantinides, Alexandra Hall, Jeff Knaggs, Marcela Lopes Alves, Ruan Spies, Hieu Thai, Sarah Surrell, Kumeren Govender, Timothy EA Peto, Derrick W Crook, Shaheed V Omar, Robert Turner, Philip W Fowler

― 6 min ler


Enfrentando a tuberculoseEnfrentando a tuberculosee a resistência amedicamentosà tuberculose.capacidades de previsão de resistênciaNova ferramenta na nuvem melhora as
Índice

A tuberculose (TB) é uma doença séria que afeta milhões de pessoas no mundo todo. Em 2023, quase 11 milhões de pessoas ficaram doentes com TB, e cerca de 1,25 milhão de pessoas perderam a vida por causa dela. O culpado por essa doença é uma bactéria chamada Mycobacterium tuberculosis (M. tuberculosis), que é difícil de tratar. Em vez de usar só um remédio, os médicos costumam precisar de uma combinação de quatro antibióticos poderosos: Rifampicina, Isoniazida, pirazinamida e etambutol.

O Dilema da Resistência aos Antibióticos

Como muitas bactérias espertas, a M. tuberculosis aprendeu a se defender dos remédios feitos pra derrotá-la. Isso significa que agora temos casos em que a doença não responde aos antibióticos comuns. Quando uma infecção de TB é resistente tanto à rifampicina quanto à isoniazida, é chamada de tuberculose multidrug-resistente (MDR TB). Tratar a MDR TB não é fácil; exige uma abordagem diferente com uma mistura de outros antibióticos, como bedaquilina, protonamida, linezolida e moxifloxacino. A Organização Mundial da Saúde (OMS) recomendou usar essa combinação em 2022.

A preocupação com a MDR TB cresceu tanto que a M. tuberculosis resistente à rifampicina foi adicionada a uma lista especial da OMS focando nas bactérias mais perigosas em 2024. Pra resolver esse problema, identificar a M. tuberculosis em amostras clínicas e testar sua resistência aos medicamentos é essencial.

O Jogo Lento dos Testes

Testar a M. tuberculosis pode ser um processo demorado. O método usual de cultivar a bactéria em laboratório leva semanas. Mas, graças a novas tecnologias, agora podemos usar sequenciamento de genoma completo (WGS), que é mais rápido e fornece resultados mais precisos, além de informações úteis sobre as origens da bactéria. Nos últimos anos, muitos países mais ricos começaram a usar o WGS pra analisar a M. tuberculosis e seus parentes.

Um projeto legal chamado CRyPTIC coletou uma quantidade enorme de dados, com mais de 15.000 amostras de vários laboratórios ao redor do mundo. Esses dados permitiram que a OMS publicasse catálogos listando mutações genéticas relacionadas à resistência a antibióticos, ajudando os pesquisadores a saberem o que procurar.

A Nuvem pra Ajudar

No entanto, nem todo laboratório está pronto pra lidar com a tecnologia necessária pra WGS. Pra facilitar, muitos estão optando pela computação em nuvem. Assim, os laboratórios não precisam investir em equipamentos ou softwares caros; eles podem simplesmente enviar suas amostras online. Desde que a conexão com a internet seja boa, isso pode mudar o jogo.

Em um esforço recente, pesquisadores criaram um pipeline baseado em nuvem que identifica resistência a antibióticos em amostras de TB. Essa ferramenta não é só pra países ricos; é de graça pra acadêmicos e laboratórios em países de baixa e média renda.

Testando o Pipeline

Pra garantir que esse pipeline funcione direitinho, os pesquisadores o testaram em um grupo especial de 2.663 amostras de M. tuberculosis. Eles se concentraram em quão bem ele poderia prever se uma amostra era resistente aos antibióticos listados no catálogo da OMS.

Escolhendo as Amostras Certas

Os pesquisadores primeiro reuniram um conjunto de amostras de um conjunto de dados. Eles se certificarão de que essas amostras tinham sido sequenciadas usando tecnologia de leitura curta e que os níveis de resistência a antibióticos foram medidos direitinho. Depois de um processo de seleção cuidadoso, eles criaram um conjunto de testes diversificado que incluía amostras resistentes e suscetíveis (sensíveis) para 13 antibióticos diferentes.

Encontrar a mistura certa de amostras resistentes e sensíveis foi um pouco como fazer um bolo, mas sem o cheirinho doce. Eles precisavam da quantidade certa de cada ingrediente pra obter os melhores resultados sem introduzir viés.

Processando as Amostras

Os dados genéticos brutos das amostras foram baixados e passaram por um processo de limpeza pra remover qualquer DNA humano indesejado. Uma vez limpas, as amostras foram analisadas quanto ao conteúdo bacteriano, verificando se tinham leituras suficientes pra justificar uma investigação mais profunda. Se uma amostra tinha um bom número de leituras relevantes, ela seguia pra análise mais profunda no pipeline.

Os pesquisadores então identificaram quais tipos de bactérias estavam presentes e verificaram cada amostra contra um genoma de referência pra identificar mutações ligadas à resistência a antibióticos. Esse processo complicado é o que mantém os cientistas ocupados, e tudo acontece na nuvem amiga.

Interpretando os Resultados

Pra entender os resultados, os cientistas usaram a segunda edição do catálogo da OMS, que lista mutações conhecidas associadas à resistência. Eles criaram uma maneira fácil de analisar as variantes genéticas encontradas nas amostras. A equipe fez algumas melhorias em como interpretaram o catálogo, especialmente em casos onde não havia leituras suficientes pra fazer uma afirmação confiável sobre resistência.

Os Resultados Chegaram

Depois de passar as amostras pelo pipeline, eles descobriram que as novas melhorias aumentaram a precisão das previsões de resistência. Eles também perceberam que alguns antibióticos se saíram melhor que outros ao comparar os resultados do pipeline com as descobertas da OMS.

Os Desafios pela Frente

Apesar dos resultados promissores, ainda há desafios pela frente. Nem todo antibiótico tem amostras de resistência suficientes pra previsões precisas. Essa falta de dados torna difícil tirar conclusões fortes sobre alguns antibióticos, especialmente os mais novos como bedaquilina e linezolida. Os pesquisadores precisam de mais amostras resistentes pra entender esse quebra-cabeça e melhorar os catálogos futuros.

O Panorama Geral

Os pesquisadores esperam que o pipeline baseado em nuvem e o conjunto de dados de 2.663 amostras possam ser usados por outros cientistas. Assim, eles podem aprimorar esse trabalho e talvez até criar um conjunto de testes padrão pra pesquisas futuras.

Finalizando com um Sorriso

Então, enquanto a tuberculose pode parecer um vilão assustador em um thriller médico, a ciência está combatendo com tecnologia de ponta e trabalho em equipe. Esse trabalho vai continuar a melhorar nossa compreensão da TB e de como vencê-la, uma sequência de cada vez. Se ao menos as bactérias pudessem ter um senso de humor e perceber que os humanos estão se esforçando pra superá-las!

Com as ferramentas e dados certos, os especialistas estão chegando mais perto de prever como a TB se comporta. Eles estão em uma missão pra garantir que todos tenham acesso aos recursos que precisam pra combater esse bug esperto. Afinal, ninguém quer ser o último no jogo de esconde-esconde com a tuberculose.

Fonte original

Título: Enhancement and validation of the antibiotic resistance prediction performance of a cloud-based genetics processing platform for Mycobacteria

Resumo: Tuberculosis remains a global health problem. Making it easier and quicker to identify which antibiotics an infection is likely to be susceptible to will be a key part of the solution. Whilst whole-genome sequencing offers many advantages, the processing of the genetic reads to produce the relevant public health and clinical information is, surprisingly, often the responsibility of the end user which inhibits uptake. Here we describe our Mycobacterial genetics processing pipeline and its deployment in a cloud-based platform. For antibiotic resistance prediction we have implemented the second edition of the WHO catalogue of resistance-associated variants. We validate the resistance prediction performance by constructing and processing a diverse dataset of 2,663 publicly-available M. tuberculosis samples with published drug susceptibility testing (DST) data and find that identifying a sample as resistant if it contains a minor allele known to be associated with resistance increases sensitivity. By only considering high confidence DST results we are able to show that both isoniazid and rifampicin achieve sensitivities and specificities in excess of 95%.

Autores: Jeremy Westhead, Catriona S Baker, Marc Brouard, Matthew Colpus, Bede Constantinides, Alexandra Hall, Jeff Knaggs, Marcela Lopes Alves, Ruan Spies, Hieu Thai, Sarah Surrell, Kumeren Govender, Timothy EA Peto, Derrick W Crook, Shaheed V Omar, Robert Turner, Philip W Fowler

Última atualização: 2024-11-08 00:00:00

Idioma: English

Fonte URL: https://www.biorxiv.org/content/10.1101/2024.11.08.622466

Fonte PDF: https://www.biorxiv.org/content/10.1101/2024.11.08.622466.full.pdf

Licença: https://creativecommons.org/licenses/by/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao biorxiv pela utilização da sua interoperabilidade de acesso aberto.

Artigos semelhantes