Los científicos han utilizado el machine learning para encontrar nuevas formas de identificar y detectar enfermedades en las granjas avícolas, lo que ayudará a reducir la necesidad de un tratamiento con antibióticos, reduciendo el riesgo de que la resistencia a los antibióticos se transfiera a las poblaciones humanas.
El estudio, publicado en Springer Nature, fue dirigido por Tania Dottorini de la Facultad de Medicina y Ciencias Veterinarias y Future Food Beacon de la Universidad de Nottingham. La investigación es parte del proyecto FARMWATCH, una asociación entre la Universidad y el Centro Nacional de China para la Evaluación de Riesgos de Seguridad Alimentaria.
El rápido aumento de la producción avícola para satisfacer la creciente demanda en China ha resultado en un uso extensivo e indiscriminado de antibióticos. Esto ha llevado a un aumento preocupante en los casos de resistencia a los antimicrobianos (RAM) diagnosticados en animales que potencialmente podrían propagarse a los humanos, a través del contacto directo, la contaminación ambiental y el consumo de alimentos.
Ahora que la resistencia a los antibióticos es uno de los problemas más amenazantes en todo el mundo, los diagnósticos efectivos y rápidos de infecciones bacterianas en la cría de pollos pueden reducir la necesidad de antibióticos, lo que reducirá las epidemias y la RAM.
En este proyecto, los investigadores recolectaron muestras de animales, humanos y el medio ambiente en una granja china y un matadero conectado. Estos “grandes” datos complejos ahora se han analizado en busca de nuevos biomarcadores de diagnóstico que predecirán y detectarán infecciones bacterianas, insurgencia de RAM y transferencia a humanos. Estos datos permitirán una intervención y un tratamiento tempranos, reduciendo la propagación y la necesidad de antibióticos.
El estudio produjo tres hallazgos clave. En primer lugar, se encontraron varios genes de resistencia a los antimicrobianos (ARG, por sus siglas en inglés) clínicamente relevantes y elementos genéticos móviles asociados (genes de resistencia a los antibióticos capaces de moverse dentro de los genomas y entre bacterias), tanto en muestras humanas como de pollos de engorde. En particular, se encontraron once tipos de genes de resistencia a antibióticos clínicamente importantes, con estructuras de genes ARG móviles conservadas entre muestras de diferentes huéspedes.
Dottorini explica que “estas similitudes se habrían perdido si solo hubiéramos utilizado un análisis comparativo convencional a gran escala, que, de hecho, mostró que el microbioma y los resistomas difieren entre entornos y huéspedes. En general, este hallazgo sugiere la relevancia de adoptar un análisis de múltiples escalas al diseccionar similitudes y diferencias de resistomas y microbiomas en entornos interconectados complejos”.
En segundo lugar, el estudio mostró que al desarrollar un enfoque impulsado por el machine learning o que integra datos metagenómicos con métodos basados en cultivos, el equipo encontró la existencia de un resistoma central del intestino de pollo que se correlaciona con la RAM que circula en las granjas. Estos resultados respaldaron la hipótesis de que existen correlaciones entre los fenotipos de resistencia de las bacterias comensales y patógenas individuales y los tipos de ARG en el resistoma en el que existen.
Finalmente, utilizando tecnología de detección y machine learning, descubrieron que el resistoma central relacionado con RAM está asociado con varios factores externos, como la temperatura y la humedad.
“La industria de producción de alimentos representa un importante consumidor de antibióticos, pero los riesgos de RAM dentro de estos entornos aún no se comprenden completamente. Por lo tanto, es fundamental establecer estudios y métodos mejorados optimizados para estos entornos donde los animales y los humanos pueden estar en estrecho contacto. La agricultura de precisión, la secuenciación de ADN rentable y la mayor adopción de tecnologías de machine learning ofrecen la oportunidad de desarrollar métodos que brinden una mejor comprensión y cuantificación de los riesgos de RAM en entornos agrícolas”, subraya la científica.
