Os cientistas usaram o aprendizado de máquina para encontrar novas maneiras de identificar e identificar doenças em granjas de aves, o que ajudará a reduzir a necessidade de tratamento com antibióticos, diminuindo o risco de transferência de resistência a antibióticos para populações humanas.
O estudo, publicado no The ISME Journal , foi liderado pela Dra. Tania Dottorini da Escola de Medicina Veterinária e Ciência e Future Food Beacon da Universidade de Nottingham.

O rápido aumento na produção de aves para atender a crescente demanda na China resultou no uso extensivo e indiscriminado de antibióticos. Isso levou a um aumento preocupante de casos de resistência antimicrobiana (RAM) diagnosticados em animais, que poderiam se espalhar para humanos por contato direto, contaminação ambiental e consumo de alimentos.

Com a resistência aos antibióticos agora um dos problemas mais ameaçadores em todo o mundo, o diagnóstico rápido e eficaz de infecção bacteriana na criação de frangos pode reduzir a necessidade de antibióticos, o que reduzirá epidemias e RAM.

Neste projeto, pesquisadores em Nottingham coletaram amostras de animais, humanos e meio ambiente em uma fazenda chinesa e seu matadouro conectado. Esses dados "grandes" complexos agora foram analisados ​​para novos biomarcadores de diagnóstico que irão prever e detectar infecção bacteriana, insurgência de AMR e transferência para humanos. Esses dados permitirão intervenção e tratamento precoces, reduzindo a disseminação e a necessidade de antibióticos.

O estudo produziu três descobertas principais. Em primeiro lugar, vários genes de resistência a antimicrobianos (ARGs) clinicamente relevantes semelhantes e elementos genéticos móveis associados (genes de resistência a antibióticos capazes de se mover dentro de genomas e entre bactérias) foram encontrados em amostras humanas e de frango de corte. Em particular, onze tipos de genes de resistência a antibióticos clinicamente importantes, com estruturas de genes ARG móveis conservadas, foram encontrados entre amostras de diferentes hospedeiros.

Dr. Dottorini disse:"Essas semelhanças teriam sido perdidas se usássemos apenas análises comparativas convencionais em larga escala, que de fato mostraram que o microbioma e os resistomas diferem entre os ambientes e hospedeiros. análise ao dissecar semelhanças e diferenças de resistomas e microbiomas em ambientes interconectados complexos."

Em segundo lugar, o estudo mostrou que, ao desenvolver uma abordagem baseada em aprendizado de máquina, integrando dados metagenômicos com métodos baseados em cultura, a equipe descobriu a existência de um resistoma central do intestino de frango que está correlacionado com o AMR que circula nas fazendas. Esses resultados apoiaram a hipótese de que existem correlações entre os fenótipos de resistência de bactérias comensais e patogênicas individuais e os tipos de ARGs no resistoma em que existem.

Por fim, usando tecnologia de detecção e aprendizado de máquina, a equipe descobriu que os resistores principais relacionados ao AMR estão associados a vários fatores externos, como temperatura e umidade.

Dr. Dottorini disse:"A indústria de produção de alimentos representa um grande consumidor de antibióticos, mas os riscos de RAM nesses ambientes ainda não são totalmente compreendidos. Portanto, é fundamental estabelecer estudos e métodos aprimorados otimizados para esses ambientes onde animais e humanos podem estar em contato próximo. Agricultura de precisão, sequenciamento de DNA econômico e a crescente adoção de tecnologias de aprendizado de máquina oferecem a oportunidade de desenvolver métodos que proporcionam uma melhor compreensão e quantificação dos riscos de RAM em ambientes agrícolas." + Explorar mais

O aprendizado de máquina identifica bactérias resistentes a antibióticos que podem se espalhar entre animais, humanos e meio ambiente