AMR-Diag: A Novel Diagnostic Tool for Sequence Based Prediction of Antimicrobial Resistance

Infeksjoner forårsaket av bakterier resistente mot antibiotika (AMR; antimicrobial resistance) truer det moderne helsevesen og er ansvarlig for 700 000 og 33 000 dødsfall årlig, i henholdsvis verden og Europa. Et utfordring i møte med antimikrobiell resistens er upresis forskriving og feilaktig bruk av antibiotika. Utfordringen for helsepersonellet som behandler infeksjoner er å kunne presist angi forskrivingen av antibiotika der behandlingen foregår. Selv med dagens oppdaterte metoder går det i beste fall fra 2 til 4 dager, fra prøvetakingen av pasienten til det foreligger informasjon om antibiotika-sensitiviteten. I klinisk sammenhenger er det derfor et umøtt behov for en rask, nyskapende, rimelig, brukervennlig og konsept-bekreftende diagnostikk metode. Ved å utnytte fordelene ved utviklingen i hel-genom sekvensering, bioinformatikk og metoder for maskinlæring har vi utviklet AMR-Diag som et beslutningsverktøy for å kunne detektere bakterielle infeksjoner og samtidig profilere resistensmønsteret. Vi har vist gjennom en sekvensbasert tilnærming på blodkultur-diagnostikk at innen fire timer etter at en kultur har slått ut positivt, er det mulig å identifisere både patogen og de spesifikke AMR-kodende genene fra rå-dataene i nanopore-sekvenseringen. Identifiseringen av patogenet var mulig allerede innen ti minutter med sanntids-sekvensering, og i løpet av en time var alle de forhåndsbestemte AMR-kodene mål-genene og plasmidene påvist. I tillegg har vi funnet at maskinlæring nettverksverktøyet i AMR-Diag, når det kobles til nanopore-sekvensering, raskt kan predikere innen 1-8 timer fra start, bakteriearten, dens resistom og fenotypen. Resultatene fra denne studien bærer store lovnader om framtidige anvendelser i klinisk mikrobiologi og helseovervåkingsformål. I framtiden kan AMR-Diag verktøyet designes for å brukes av leger og andre profesjonelle helsearbeidere for å gi informasjon som behøves for å velge den beste behandlingen. Dette vil igjen bidra til mer varsom og passende bruk av antibiotika.

AMR-Diag aims to reduce the time of detection of bacterial infection and AMR from 2-4 days to <24 hours. This is a giant leap to handle and prevent the development of AMR, which can potentially save millions of human and animal lives in the long run. This study holds great promise for future applications in clinical microbiology and health care surveillance purposes. In the future, the AMR-Diag tool can be designed for use by doctors and other healthcare professionals, providing the information needed to choose the best treatment. Thereby resulting in the more prudent and appropriate use of antibiotics. AMR-Diag achievements will target several UN sustainable development goals: Goal 3 - Good Health and Well-Being, Goal 4 - Quality Education, Goal 9 - Industry Innovation & Infrastructure, Goal 12 - Responsible Consumption & Production Goal 17 - Partnerships for the Goals.

The emergence and spread of antimicrobial resistant (AMR) bacteria is defined as a global health problem by WHO. The situation is at its gravest in low- and middle-income countries, where antibiotic consumption is high and largely unregulated. Due to the lack of real-time diagnostics, prescription of the right antimicrobial at the right time is not always achieved. Time required for culture based identification of pathogen and phenotype-based identification of susceptibility to antimicrobials often necessitates unessential use of broad spectrum antimicrobials, which contributes to increase in resistance among pathogens. Accurate and rapid diagnostics that both identify the pathogen and provide drug susceptibility data in real-time would transform patient management and the current AMR crisis. Their application would reach broadly from primary health care centres to tertiary care hospitals, providing immediate guidance for therapeutic intervention thereby resulting in more prudent and appropriate use of antimicrobials. Taking advantage of the advances in whole genome sequencing (WGS), bioinformatics, proteomics and machine learning methods we plan to develop a decision-making tool AMR-Diag, for the detection of bacterial infection, including its resistance profile. The radical improvement comes from adopting Neural Network based learning for solving WGS data analysis problems. We will cover Extended Spectrum Beta-Lactamases (ESBLs) in Gram negative bacteria with focus on Escherichia coli, Klebsiella, and Acinetobacter. The developed method will be validated using characterized clinical isolates and finally will be evaluated on clinical samples for culture and culture-free identification of pathogens with ESBL resistance profiles. This tool will be easy to run and interpret results from, and will work on standard devices. The proposed project collaboration will strengthen already on-going research activities in each involved research group in India and Norway.