Seq2Diag -Séquençage du génome bactérien entier et intelligence artificielle pour caractériser et diagnostiquer la résistance aux antibiotiques et la capacité d'échapper au traitement

Objectif(s) de la recherche et intérêt pour la santé publique

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

L’ensemble du projet Seq2Diag permettra d’améliorer la prédiction du phénotype de résistance, d’évaluer l’intérêt et la place du séquençage du génome complet d'une bactérie dans le diagnostic bactériologique, en particulier pour les infections dites récalcitrantes échappant au traitement. Les divergences observées entre les phénotypes prédits par l’analyse génomique, par IA et ceux observés dans différents environnements seront mises à profit pour identifier de nouveaux mécanismes contribuant à la résistance aux antibiotiques.
Concernant plus particulièrement la mise en place de méthodes de prédiction dans les laboratoires de microbiologie pour leur évaluation, l’ensemble des résultats obtenus est essentiel pour entraîner davantage notre outil de prédiction in silico et pour établir une meilleure corrélation entre le comportement des souches sous pression antibiotique (à la fois in vitro et in vivo), et leur contenu génomique (génomes de base et accessoires).
Étant donné que l'utilisation de méthodes de test de sensibilité aux antibiotiques est chronophage, l'approche de prédiction in silico de la sensibilité bactérienne peut avoir une grande valeur ajoutée pour adapter rationnellement l’antibiothérapie aux patients individuels, en combinant les résultats de l'AST classique et ceux fournis par l'IA. L'analyse de l'ensemble des données IS-AST nous donnera un aperçu des performances de cette approche pour mieux prédire l'efficacité des antibiotiques en milieu hospitalier, et nous permettra d'identifier les pièges les plus courants liés aux conditions spécifiques du patient ou à des traits bactériens spécifiques. (ex. infections dues à des souches hypermutatrices). Un focus sur les erreurs de prédiction sera effectué régulièrement afin de former le modèle d'IA de manière plus appropriée.
objectifs prévus :
- Enrichir le modèle et améliorer sa valeur prédictive en testant des isolats correspondant à des infections difficiles à traiter.
- Tester la valeur prédictive des outils développés, pour identifier les goulots d'étranglement technologiques et organisationnels dans un environnement de laboratoire de microbiologie clinique.
- Évaluer une phase de preuve de concept de tests de sensibilité aux antibiotiques in silico sur E. coli, K. pneumoniae et P. aeruginosa.
La population d'étude sont des Patients adultes ayant un diagnostic d'infection dite recalcitrante avec une bactérie qui est devenue résistante.
Il s’agit d’une étude observationnelle rétrospective menée dans 3 CHUs sur les cas d’infection (sang, urine ou respiratoire) impliquant les pathogènes ciblés E. coli, K. pneumoniae et P. aeruginosa, avec une évaluation des performances de l'IS-AST sur les infections bactériennes en échec de traitement.
Les isolats de E. coli, K. pneumoniae et P. aeruginosa responsables de 60 infections (20 pour chacun des 3 CHU) dites récalcitrantes seront sélectionnés. Cette tâche nécessitera le recueil de données patients. La non-opposition du patient pour le traitement de ses données à caractères personnelles dans le cadre de cette étude sera recueillie (envoi courrier de la notice d’information avec possibilité de s’opposer).