Sztuczna inteligencja daje się zwieść bakteriom

W przyrodzie kolor wściekle żółty bywa stosowany ku przestrodze (patrz: liściołaz żółty) czy jako kamuflaż (patrz: modliszka storczykowa). W Pulsarze natomiast – to sygnał końca embarga, które prestiżowe czasopisma naukowe nakładają na publikowane przez badaczy artykuły. Tekst z żółtym oznaczeniem dotyczy więc doniesienia, które zostało upublicznione dosłownie przed chwilą.

Oporność na antybiotyki to jedno z najpoważniejszych zagrożeń dla zdrowia publicznego – jest współodpowiedzialna za ok. 4,95 mln zgonów na świecie rocznie. Dlatego naukowcy pokładają duże nadzieje w metodach uczenia maszynowego, które mogłyby analizować sekwencje genomów bakteryjnych i przewidywać, na które leki dany szczep będzie odporny. Badania międzynarodowego zespołu naukowców, opublikowane właśnie w „PLOS Biology”, wskazuję jednak, że może być z tym problem.

Uczeni przeanalizowali ponad 24 tys. sekwencji genomowych pięciu patogenów znajdujących się na liście największych zagrożeń WHO: Escherichia coli, Klebsiella pneumoniae, Salmonella enterica, Staphylococcus aureus oraz Streptococcus pneumoniae. Wytrenowali łącznie 6740 modeli uczenia maszynowego i sprawdzili ich skuteczność w przewidywaniu oporności na 27 antybiotyków.

Okazało się, że struktura populacyjna bakterii i tendencyjne próbkowanie (większość materiału pochodziła głównie od chorych ludzi z krajów o wysokim dochodzie) poważnie zaburzają działanie algorytmów. Chodzi o to, że gdy konkretna „rodzina” bakterii szybko się rozprzestrzenia i jest oporna na leki, algorytm wpada w pułapkę. Zamiast szukać genów faktycznie unieszkodliwiających antybiotyk, system uczy się rozpoznawać przypadkowe cechy wspólne dla tej grupy drobnoustrojów, które z samą opornością nie mają nic wspólnego.

Naukowcy zweryfikowali również często formułowane założenie, że zwiększenie liczby próbek treningowych wystarczy, by poprawić działanie modeli. Tak się jednak nie dzieje. Nawet przy większych zbiorach danych, AI nadal myliła markery rodowodu z prawdziwymi wskaźnikami oporności. Analiza wykazała też, że algorytmy wytrenowane na jednej grupie szczepów słabo generalizują na inne, wcześniej niewidziane linie ewolucyjne.

Dlatego autorzy pracy proponują stworzenie nowych algorytmów, które „rozumieją” drzewo genealogiczne bakterii. Konieczne jest też zbieranie próbek z całego świata – zwłaszcza z biedniejszych krajów – by AI uczyła się na bardziej różnorodnych danych.

Dziękujemy, że jesteś z nami. To jest pierwsza wzmianka na ten temat. Pulsar dostarcza najciekawsze informacje naukowe i przybliża najnowsze badania naukowe. Jeśli korzystasz z publikowanych przez Pulsar materiałów, prosimy o powołanie się na nasz portal. Źródło: www.projektpulsar.pl.