Des chercheurs de l’Université d’Osaka ont découvert que les bactéries résistantes aux médicaments peuvent être distinguées des bactéries non résistantes sur la base de changements structurels évidents dans les images au microscope électronique avec une grande précision grâce à l’apprentissage en profondeur.
Crédit image : Pixabay (Licence Pixabay gratuite)
Si vous êtes allé au gymnase et que vous avez obtenu des résultats, vous savez qu’il est temps de vous pavaner ; et il s’avère que les bactéries ressentent la même chose. Des chercheurs japonais ont découvert que les bactéries qui ont développé une résistance aux antibiotiques affichent leur nouveau pouvoir sous la forme de changements de forme facilement détectables.
Dans une étude récemment publiée dans Frontières en microbiologieune équipe de chercheurs dirigée par l’Université d’Osaka a révélé que l’analyse par apprentissage automatique des images de microscopie peut être utilisée pour identifier les bactéries résistantes aux antibiotiques.
La résistance aux médicaments est un problème croissant dans le monde entier, en particulier avec le développement de souches bactériennes multirésistantes qui peuvent être difficiles à contrôler en raison du manque d’options de traitement alternatives. Le problème est aggravé par le fait que tester les bactéries pour la résistance aux médicaments peut prendre du temps et être source d’erreurs, nécessitant des tests en laboratoire et une interprétation qualitative.
« En règle générale, la résistance bactérienne aux médicaments est étudiée en laboratoire en examinant les changements génétiques qui se produisent dans les souches résistantes », explique l’auteur principal de l’étude Mitsuko Hayashi-Nishino. « Mais la résistance aux médicaments peut impliquer de nombreux changements de ce type, et il peut être difficile de déterminer lesquels sont réellement à l’origine de la résistance, nous avons donc voulu voir si une autre approche pourrait être plus informative. »
Les chercheurs ont choisi d’examiner les altérations de la forme bactérienne pour déterminer si ces changements pouvaient prédire ou refléter la résistance aux médicaments. Pour ce faire, ils ont pris des images rapprochées de bactéries sensibles aux médicaments et résistantes aux médicaments à l’aide d’une technique de haute puissance appelée microscopie électronique à transmission, puis ont appliqué un apprentissage en profondeur aux images pour identifier les caractéristiques étroitement corrélées à la résistance aux médicaments.
« Les résultats étaient très clairs », déclare l’auteur principal de l’étude, Kota Aoki. « Nous avons constaté que les bactéries résistantes à un antibiotique appelé énoxacine présentaient des différences dans la forme des cellules, la structure de la membrane externe, l’espace périplasmique et le contenu et l’emplacement des granules par rapport à la souche sensible aux médicaments », explique l’auteur principal Kunihiko Nishino.
En fait, les modifications de la structure membranaire étaient également fortement associées à des mutations du gène lpp, qui code un composant structurel majeur de la membrane externe.
« Nos résultats suggèrent que les bactéries changent de morphologie lorsqu’elles acquièrent une résistance aux médicaments, et que ces changements peuvent être détectés de manière fiable par un algorithme d’apprentissage automatique », explique Hayashi-Nishino.
Les résultats de l’étude pris ensemble indiquent le succès de la méthode de l’équipe de recherche dans la visualisation des caractéristiques structurelles des bactéries résistantes aux médicaments. Cette nouvelle approche devrait conduire au développement d’une technologie capable de prédire automatiquement la résistance aux médicaments en fonction des changements de forme bactérienne, sans avoir besoin d’un dépistage basé sur les médicaments.
L’article, « Identification of bacterial drug-resistant cells by the convolutional neural network in transmission electron microscope images », a été publié dans Frontières en microbiologie chez DOI : https://doi.org/10.3389/fmicb.2022.839718
La source: Université d’Osaka
Après sélectionnée
