はじめに
抗微生物剤耐性（AMR）は、大腸菌が尿路感染症、血液感染症、その他の臨床的状態の主な原因となるため、世界の健康に対する重大な脅威となっています。抗微生物剤耐性の正確な監視と予測は、効果的な治療戦略を導く上で不可欠です。耐性遺伝子や突然変異をカタログ化するデータベースがありますが、それらが薬物感受性に与える定量的な影響を理解することはまだ不完全です。本研究では、特定の耐性遺伝子を獲得することによる様々な抗菌薬の最小抑制濃度（MICs）への影響を定量的に評価し、より精密な解釈フレームワークを提供することを目的としています。
研究の背景と理由
耐性大腸菌株の増加は、治療決定を複雑にし、患者の結果を悪化させる要因となっています。既存の耐性予測モデルの多くは、耐性または感受性という二値分類に基づいていますが、これらのモデルは細かい差異を欠いているため、臨床的な決定を阻害します。MIC値の変動を認識し、それを遺伝的決定因子と関連付けることは、予測精度と解釈可能性を向上させる有望なアプローチです。本研究では、このギャップに対処するために、臨床的大腸菌分離株の大量のコレクションを分析し、全ゲノムシークエンシングデータとMIC測定値を統合して、特定の遺伝的要素が抵抗レベルにどのように定量的に影響を与えるかを解明します。
方法
この観察研究では、2013年から2018年まで、英国オックスフォードシャーで収集された人間の尿路感染症と血液感染症の2,875株の大腸菌分離株を対象とし、2020年の追加データも含めました。各分離株に対して全ゲノムシークエンシングを行い、NCBI AMRFinderデータベースを使用して耐性遺伝子を同定しました。セファロスポリンやその他の一般的に使用される薬剤を含む様々な抗菌薬のMICデータが各分離株にリンクされました。多変量区間回帰モデルにより、特定の耐性遺伝子や突然変異の獲得に伴うMICの変化を推定し、必要に応じて集団構造を調整しました。モデルの性能は、1つの希釈倍率以内の予測MICの正確さと完全一致を評価するために、一回交差検証で評価されました。
主要な知見
本研究では、様々な抗菌薬に対する24,858件のMIC測定値を評価しました。ほとんどの耐性決定因子（111中の89）はMICの増加に関連しており、その役割を強調しています。特に、分析された遺伝的要素の24%（111中の27）が独立して耐性をもたらすことが示されました。つまり、それらの獲得だけでも臨床的ブレークポイントを超えるMICが得られました。効果は抗菌薬クラスによって異なり、特に異なる世代のセファロスポリンは明確な遺伝的影響を示しました。
予測モデリングは高い精度を示し、約83.3%のMICが正確に予測され、95%以上が1つの希釈倍率以内でした。モデルは、集団構造を考慮した後も堅牢な性能を維持し、その潜在的な臨床的有用性を強調しています。これらの結果は、遺伝的データから派生した定量的な耐性推定を組み込むことで、機械学習モデルよりも解釈可能性が向上し、より機構的に情報に基づいた耐性予測アプローチが可能であることを示唆しています。
専門家のコメント
本研究は、特定の遺伝的要素が抗微生物剤感受性にどのように影響するかについての理解を深め、定量的モデリングの重要性を強調しています。従来の二値予測とは異なり、これらの推定値は医師が耐性の程度を評価し、より正確な治療調整を行うことを可能にします。制限点には、遺伝子発現の潜在的な変動や、遺伝的存否だけで捉えられない追加の耐性メカニズムが含まれます。それでも、このアプローチは他の病原体や抗菌薬にも一般化可能であり、精密な抗微生物剤管理への重要な一歩を表しています。臨床ワークフローとの統合は、抗菌薬の選択と投与量を最適化し、抗菌薬の効果を保ち、耐性の出現を減らす可能性があります。
結論
耐性遺伝子とMIC変動を定量的に結びつける推定値は、抗微生物剤耐性の予測と理解を向上させる可能性を持っています。このアプローチは、広範な臨床データに対して検証されており、機械学習モデルよりも解釈可能性が向上し、様々な病原体-抗菌薬のコンテキストに適用可能です。今後の研究では、動的な耐性メカニズムと臨床診断でのリアルタイム実装を探索することで、AMRとの闘いにおけるその潜在的な力を完全に実現することが期待されます。