Jak metody omiczne i AI przekształcają reakcję na proaktywny nadzór patogenów

Dziedzina bezpieczeństwa żywności przechodzi od tradycyjnych, czasochłonnych metod mikrobiologicznych do precyzyjnego bezpieczeństwa żywności, opartego na technologiach omicznych. Sekwencjonowanie całego genomu (WGS) stało się podstawą subtypowania patogenów, profilowania oporności na środki przeciwdrobnoustrojowe (AMR) i przypisywania źródła w dochodzeniach epidemiologicznych. WGS oferuje wysoką rozdzielczość, ale zależy od kulturowych izolatów. Metagenomika typu shotgun jest komplementarna, umożliwiając niezależne od hodowli wykrywanie patogenów oraz identyfikację genów AMR i wirulencji w złożonych matrycach. Mimo wyższego kosztu i intensywności obliczeniowej, postęp technologiczny czyni ją coraz bardziej skalowalną.

Innowacje technologiczne i wykrywanie patogenów

Kluczowe innowacje mające na celu przezwyciężenie wyzwań związanych z niską koncentracją patogenów i złożonością matryc koncentrują się na poprawie czułości i skróceniu czasu analizy. Jedną z nich jest quasimetagenomika. Ta strategia łączy ukierunkowane wzbogacanie hodowlane i/lub separację immunomagnetyczną (IMS) z NGS, aby bezpośrednio scharakteryzować patogeny z rozdzielczością na poziomie szczepu. Wzbogacanie żywych komórek przed sekwencjonowaniem jest niezwykle ważne, ponieważ poprawia limit detekcji i redukuje fałszywie pozytywne wyniki pochodzące z DNA martwych komórek. Quasimetagenomika może skrócić czas od pobrania próbki do uzyskania subtypowania Salmonella do mniej niż 24 godzin. Dodatkowo, IMS koncentruje patogeny za pomocą koralików z przeciwciałami, a zintegrowanie amplifikacji z wielokrotnym przemieszczeniem wzmacnia sygnał DNA, umożliwiając identyfikację nawet przy niskiej koncentracji patogenów.

Analiza metagenomiczna może być jednak utrudniona przez nadreprezentację DNA gospodarza (np. z żywności), co zaciemnia sygnał patogenów. Rozwiązania obejmują metody laboratoryjne (np. selektywna filtracja DNA) oraz deplecję in silico, czyli usuwanie odczytów przez mapowanie na referencyjne genomy gospodarza. Wreszcie, metody niezależne od hodowli nie rozróżniają DNA z żywych i nieżywych patogenów; w celu zwiększenia wiarygodności detekcji żywych, zakaźnych organizmów, stosuje się barwniki żywotności, które selektywnie wiążą DNA martwych komórek.

Systemy Wczesnego Ostrzegania

Rutynowe profilowanie mikrobiomu w zakładach przetwórstwa pozwala na ustalenie poziomów bazowych i wykrywanie zmian kompozycyjnych, które mogą sygnalizować zwiększone ryzyko zanieczyszczenia lub przetrwania patogenów. Mikroflora środowiskowa (np. Pseudomonas spp., tworzenie biofilmu) może zwiększać tolerancję patogenów, takich jak Listeria monocytogenes, na środki dezynfekujące. Wykrycie tych przesunięć umożliwia proaktywne działania korygujące.

Nadzór ściekowy (Wastewater Surveillance) jest populacyjnym, wczesnym systemem ostrzegania, który uzupełnia tradycyjny nadzór kliniczny. Umożliwia wykrycie podwyższonego poziomu patogenów w społeczności, potencjalnie przed zgłoszeniem przypadków klinicznych. WGS patogenów (np. Salmonella) ze ścieków wykazało powiązania ze szczepami z ognisk chorób. Integracja danych ze ścieków z systemami GIS i narzędziami analitycznymi AI ma potencjał, aby przesunąć wykrywanie ognisk z reaktywnego na proaktywne.

Rola sztucznej inteligencji i wyzwania

Sztuczna inteligencja jest badana jako narzędzie do interpretacji złożonych danych omicznych i innych strumieni danych. AI, w tym uczenie maszynowe (ML), może być wykorzystywana do predykcyjnej oceny ryzyka i przypisywania źródeł. ML w połączeniu z WGS było stosowane do przewidywania fenotypów (np. AMR, wirulencji) oraz do oceny narażenia na patogeny. Aby w pełni wykorzystać potencjał tych technologii, konieczne jest rozwiązanie krytycznych wyzwań:

• Standaryzacja danych i metadanych. Niespójne metadane (np. opis próbek) utrudniają powtarzalność, porównywalność i integrację danych. Wdrożenie zasad fair (findable, accessible, interoperable, and reusable) jest kluczowe dla ujednolicenia zbierania danych z omiki.
• Bazy danych referencyjnych. Dokładność klasyfikacji taksonomicznej w metagenomice zależy od kompletności referencyjnych baz danych genomów.

Źródło: https://www.sciencedirect.com/science/article/pii/S092422442500322X?via%3Dihub​