Nueva plataforma aprovecha IA y computación cuántica para predecir resistencia a antimicrobianos de Salmonella

Las cepas de Salmonella resistentes a los antimicrobianos representan un problema creciente de salud pública debido al uso excesivo de antimicrobianos y al aumento de mutaciones genéticas. La predicción precisa de la resistencia es crucial para un tratamiento eficaz; sin embargo, los métodos tradicionales, como las pruebas de susceptibilidad antimicrobiana bacteriana (AST), son ineficientes. Los modelos predictivos basados en datos de secuenciación del genoma completo (WGS) también enfrentan desafíos, en particular el sobreajuste debido a la alta dimensionalidad de los datos genómicos. Además, estos modelos presentan desequilibrios en el número de muestras resistentes y sensibles, lo que limita aún más su fiabilidad. Ahora, investigadores han desarrollado una innovadora plataforma de predicción que integra inteligencia artificial (IA) avanzada y tecnologías de computación cuántica para mejorar la precisión y la eficiencia en la predicción de la resistencia a los antimicrobianos.

La nueva solución, desarrollada por científicos de la Universidad de Sichuan (Chengdu, China) se denomina Plataforma Predictiva de Resistencia a los Antimicrobianos de Salmonella basada en Modelos de Lenguaje Amplio (SARPLLM). Emplea un proceso de selección de características en dos pasos que comienza con una prueba de chi-cuadrado y la maximización condicional de la información mutua para identificar genes de resistencia clave mediante análisis pangenómico. El algoritmo SARPLLM se basa en el modelo de lenguaje amplio Qwen2 e incorpora adaptación de bajo rango (LoRA) para convertir muestras de Salmonella en estructuras oracionales para su procesamiento por IA.

Para resolver el desequilibrio de datos, los investigadores crearon el algoritmo QSMOTEN, una versión mejorada del método SMOTEN que utiliza la computación cuántica para codificar características genómicas en estados cuánticos y calcular distancias entre muestras de forma más eficiente, reduciendo la complejidad computacional de escala lineal a logarítmica. Además, el equipo lanzó una plataforma en línea intuitiva, desarrollada con Django como backend y Echarts para la visualización de gráficos de conocimiento. Incluye módulos para la predicción de resistencia, resultados pangenómicos, mapeo de la interacción gen-antimicrobiana y descarga de datos.

La validación experimental demostró que SARPLLM alcanzó puntuaciones F1 más altas que los modelos existentes para múltiples antimicrobianos, mientras que QSMOTEN demostró un excelente rendimiento en máquinas cuánticas, tanto virtuales como físicas, al calcular similitudes genómicas. El estudio, publicado en Engineering, confirma que la combinación de IA con computación cuántica puede acelerar y mejorar significativamente la predicción de resistencia. La utilidad práctica de la plataforma se ve reforzada por su capacidad para proporcionar procesamiento de datos en línea, visualización y resultados descargables.

Sin embargo, los investigadores observaron que los modelos de lenguaje grandes actuales aún tienen dificultades para comprender plenamente los complejos fundamentos biológicos y genéticos de la resistencia a los antimicrobianos, y que la precisión de las predicciones se ve afectada por la calidad de los datos de entrenamiento. El equipo planea integrar datos de múltiples fuentes y conocimiento específico del dominio en futuras iteraciones, así como desarrollar hardware cuántico más estable para mejorar aún más el rendimiento.

Visitar la expo >

Miembro Oro

SISTEMA DE RECOLECCIÓN Y TRANSPORTE

PurSafe Plus®

KIT DE PRUEBA POC PARA H.PYLORI
Hepy Urease Test

Sample Transportation System

Tempus1800 Necto

Rapid Molecular Testing Device

FlashDetect Flash10