Omics Data Integratie om antimicrobiële resistentie in Mycobacterium tuberculosis te voorspellen

Tuberculose (TB) blijft de meest letale infectieziekte in de wereld.
Een efficiëntere diagnose is van essentieel belang om de
toenemende TB antimicrobiële resistentie aan te pakken en om
effectieve behandelingsregimes toe te wijzen. De introductie van
whole genome sequencing (WGS) kan mogelijks een einde maken
aan de trage, dure en biogevaarlijke kweek-gebaseerde resistentietesten; WGS is echter gebaseerd op een voorafgaande kennis van
resistentiemechanismen in Mycobacterium tuberculosis (Mtb);
daarom heeft het slechte resultaten voor nieuwe, weinig bestudeerde
geneesmiddelen zoals bedaquiline, en slaagt het er niet in om
onschuldige zeldzame varianten te onderscheiden van mutaties die
zullen leiden tot een resistent fenotype in Mtb. Wij stellen een
innovatieve aanpak voor om deze tekortkoming te verhelpen door
een integratieve multi-omics analyse in Mtb om het geaggregeerde
effect van elke mutatie op drugresistentie te bepalen, inclusief de
contributie van zeldzame mutaties en convergente evolutie. Daartoe
zullen we gebruik maken van computationele hulpmiddelen zoals
machine learning en Bayesian networks. Deze integratieve analyse
zou niet alleen de accurate interpretatie van WGS data te
verbeteren, maar ook toelaten om nieuwe cellulaire mechanismen te
ontdekken die betrokken zijn bij antimicrobiële resistentie en om de
evolutie van resistentie in Mtb beter te begrijpen.