Forscher haben gezeigt, dass die Einbeziehung des strukturellen Kontextes von Mutationen die Vorhersage von Antibiotikaresistenz in Mycobacterium tuberculosis deutlich erhöht. Die Studie basiert auf mehr als 31 000 Isolaten, 1 350 kristallographischen Strukturen und 2 337 AlphaFold‑Vorhersagen des gesamten Proteoms.
Hintergrund zur Antibiotikaresistenz
In Mycobacterium tuberculosis entstehen Resistenzmechanismen überwiegend durch nicht‑synonyme Mutationen in Proteinen. Bisherige Analysen konzentrierten sich fast ausschließlich auf die Primärsequenz und vernachlässigten weitere biologische Signale.
Datengrundlage und Methoden
Die Autoren haben hochzuverlässige strukturelle Annotationen für das gesamte Proteom kuratiert und Mutationsdaten aus über 31 000 klinischen Isolaten integriert. Anschließend wurden räumliche Cluster von Mutationen identifiziert und statistisch ausgewertet.
Ergebnisse: räumliche Mutationscluster
Die Analyse ergab, dass Mutationen in bekannten Resistenzproteinen häufig in drei‑dimensionalen Räumen zusammenliegen, selbst in Proteinen, bei denen jede Inaktivierung resistenzfördernd sein kann. Insgesamt wurden mehr als 450 Proteine mit signifkanten Clustern identifiziert, von denen ein Großteil bereits mit Antibiotikaresistenz in Verbindung steht.
Leistungsfähigkeit des Klassifikators
Ein überwacht trainierter Klassifikator, der ausschließlich den 3D‑Abstand zu bekannten Resistenzstellen nutzt, erreichte auf einem unabhängigen Testdatensatz einen F1‑Score von 96,5 % bei der Unterscheidung resistenzvermittelnder Mutationen.
Bedeutung für zukünftige Forschung
Die Resultate verdeutlichen, dass strukturelle Informationen, selbst wenn sie größtenteils KI‑basiert sind, wertvolle Zusatzinformationen für die Bewertung von Mutationen liefern. Dies könnte die Entwicklung schnellerer Diagnosemethoden und gezielter Therapien unterstützen.
Einschränkungen und Ausblick
Trotz der hohen Vorhersagegenauigkeit bleibt die Notwendigkeit bestehen, experimentelle Validierungen für neu identifizierte Cluster durchzuführen. Zukünftige Arbeiten könnten die Integration weiterer omischer Daten untersuchen, um die Robustheit der Vorhersagen weiter zu erhöhen.
Dieser Bericht basiert auf Informationen von eLife, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung