ВЫЯВЛЕНИЕ ГЕНОВ АНТИБИОТИКОРЕЗИСТЕНТНОСТИ БАКТЕРИЙ В ДАННЫХ ПОЛНОГЕНОМНОГО СЕКВЕНИРОВАНИЯ (ОБЗОР ЛИТЕРАТУРЫ)

Аннотация

Одной из важнейших проблем современной медицины является распространение резистентности к антибиотикам среди актуальных бактериальных возбудителей патологии человека. Диагностические технологии, направленные на определение спектра устойчивости каждого бактериального изолята, лежат в основе оптимизации лечебного процесса и мероприятий по борьбе с распространением резистентности. Совершенствование методов оценки резистентности становится приоритетной задачей лабораторной медицины. Обзор посвящён важнейшей проблеме современной медицины, связанной с распространением антибиотикорезистентности — анализу возможностей биоинформатических инструментов обработки данных полногеномного секвенирования бактериальных возбудителей. Поиск источников для анализа проблемы выполнялся по базам данных PubMed, Российской научной электронной библиотеке eLIBRARY, поисковым системам Всемирной организации здравоохранения, Европейского общества микробиологии и инфекционных болезней (ESCMID). Описаны существующие технологические платформы полногеномного секвенирования для определения генетических детерминант резистентности у бактерий. В основе систем обнаружения детерминант антибиотикорезистентности лежат базы данных известных белковых или нуклеотидных последовательностей. К числу наиболее часто используемых баз данных принадлежат Resfinder, CARD, Bacterial Antimicrobial Resistance Reference Gene Database. Классическим этапом поиска генов резистентности является сверка новых последовательностей с базой данных с учётом разных порогов сходства. Предварительная сборка бактериального генома изучаемого изолята делает результаты поиска генов резистентности более корректными (по сравнению с поиском генов в контигах, не собранных в геном). Рассматриваются новые биоинформатические подходы к поиску генов резистентности, включая использование нейросетей и машинного обучения. Критический обзор достоинств и недостатков существующих баз данных антибиотикорезистентности позволил предложить протокол предсказания антибиотикорезистентности на основе массивов полногеномного секвенирования. Предлагаемый протокол может быть использован в качестве основы для создания стандартизированного алгоритма качественной и количественной оценки чувствительности микроорганизмов к АМП на основе данных полногеномного секвенирования.

Об авторах

Список литературы

Banin E., Hughes D., Kuipers O.P. Bacterial pathogens, antibiotics and antibiotic resistance. FEMS Microbiol. Rev. 2017; 41(3): 450-2. https://doi.org/10.1093/femsre/fux016

CDC’s Antibiotic Resistance Threats in the United States, 2019 (2019 AR Threats Report). Avaiable at: https://www.cdc.gov/drugresistance/pdf/threats-report/2019-ar-threats-report-508.pdf (accessed 26 August 2020).

Revez J., Espinosa L., Albiger B., Leitmeyer K. C. Struelens M.J., Tóth Á. et al. Survey on the use of whole-genome sequencing for infectious diseases surveillance: rapid expansion of European national capacities, 2015-2016. Front. Public Health. 2017; 5; 347. https://doi.org/10.3389/fpubh.2017.00347

Schadt E.E., Turner S., Kasarskis A. A window into third-generation sequencing. Hum. Mol. Genet. 2010; 19(R2): R227-R240. https://doi.org/10.1093/hmg/ddq416

Rothberg J., Myers J. Semiconductor sequencing for life. J. Biomol. Tech. JBT. 2011; 22(Suppl): S41-S2.

Loman N.J., Quick J., Simpson J.T. A complete bacterial genome assembled de novo using only nanopore sequencing data. Nat. Methods. 2015; 12(8): 733-5. https://doi.org/10.1038/nmeth.3444

Schmid M., Frei D., Patrignani A., Schlapbach R., Frey J. E., Remus-Emsermann, M. N., Ahrens, C. H. Pushing the limits of de novo genome assembly for complex prokaryotic genomes harboring very long, near identical repeats. Nucleic Acids Res. 2018; 46(17): 8953-65. https://doi.org/10.1093/nar/gky726

Chin C.S., Alexander D.H., Marks P., Klammer A.A., Drake J., Heiner C. et al. Nonhybrid, finished microbial genome assemblies from long-read SMRT sequencing data. Nat. methods. 2013; 10(6): 563-9. https://doi.org/10.1038/nmeth.2474

Nagarajan N., Pop M. Sequence assembly demystified. Nat. Rev. Genet. 2013. 2013; 14(3): 157-67. https://doi.org/10.1038/nrg3367

Rhoads A., Au K.F. PacBio sequencing and its applications. Genomics Proteomics Bioinformatics. 2015; 13(5): 278-89. https://doi.org/10.1016/j.gpb.2015.08.002

Stoddart D., Heron A.J., Mikhailova E., Maglia G., Bayley H. Single-nucleotide discrimination in immobilized DNA oligonucleotides with a biological nanopore. Proc Natl. Acad. Sci. USA. 2009; 106(19): 7702-7. https://doi.org/10.1073/pnas.0901054106

Lu H., Giordano F., Ning Z. Oxford Nanopore MinION sequencing and genome assembly. Genomics Proteomics Bioinformatics. 2016; 14(5): 265-79. https://doi.org/10.1016/j.gpb.2016.05.004

Jain M., Koren S., Miga K.H., Quick J., Rand A.C., Sasani T.A. et al. Nanopore sequencing and assembly of a human genome with ultra-long reads. Nat. biotechnol. 2018; 36(4): 338-45. https://doi.org/10.1038/nbt.4060

Zankari E., Hasman H., Cosentino S., Vestergaard M., Rasmussen S., Lund O. et al. Identification of acquired antimicrobial resistance genes. J. Antimicrob. Chemother. 2012; 67(11): 2640-4. https://doi.org/10.1093/jac/dks261

Alcock B.P., Raphenya A.R., Lau T.T., Tsang K.K., Bouchard M., Edalatmand, A. et al. CARD 2020: Antibiotic resistome surveillance with the comprehensive antibiotic resistance database. Nucleic Acids Res. 2020; 48(D1): D517-D25. https://doi.org/10.1093/nar/gkz935

Feldgarden M., Brover V., Haft D.H., Prasad A.B., Slotta D.J., Tolstoy I. et al. Validating the AMRFinder tool and resistance gene database by using antimicrobial resistance genotype-phenotype correlations in a collection of isolates. Antimicrob. Agents Chemother. 2019; 63(11): e00483-19. https://doi.org/10.1128/AAC.00483-19

Lim M.Y., Cho Y., Rho M. Diverse distribution of resistomes in the human and environmental microbiomes. Curr. Genomics. 2018; 19(8): 701-11. https://doi.org/10.2174/1389202919666180911130845

Ruppé E., Ghozlane A., Tap J., Pons N., Alvarez A.S., Maziers N. et al. Prediction of the intestinal resistome by a three-dimensional structure-based method. Nat. Microbiol. 2019; 4(1): 112-23. https://doi.org/10.1038/s41564-018-0292-6

Arango-Argoty G., Garner E., Pruden A., Heath L.S., Vikesland P., Zhang L. DeepARG: A deep learning approach for predicting antibiotic resistance genes from metagenomic data. Microbiome. 2018; 6(1): 1-15. https://doi.org/10.1186/s40168-018-0401-z

Gibson M.K., Forsberg K.J., Dantas G. Improved annotation of antibiotic resistance determinants reveals microbial resistomes cluster by ecology. ISME J. 2015; 9(1): 207-16. https://doi.org/10.1038/ismej.2014.106

Chowdhury A.S., Khaledian E., Broschat S.L. Capreomycin resistance prediction in two species of Mycobacterium using a stacked ensemble method. J. Appl. Microbiol. 2019; 127(6): 1656-64. https://doi.org/10.1111/jam.14413

Chowdhury A.S., Call D.R., Broschat S.L. Antimicrobial resistance prediction for gram-negative bacteria via game theory-based feature evaluation. Sci. Rep. 2019; 9: 14487. https://doi.org/10.1038/s41598-019-50686-z

Su M., Satola S.W., Read T.D. Genome-based prediction of bacterial antibiotic resistance. J. Clin. Microbiol. 2019; 57(3): e01405-18. https://doi.org/10.1128/JCM.01405-18

Hunt M., Mather A.E., Sánchez-Busó L., Page A.J., Parkhill J., Keane J.A., Harris S.R. ARIBA: Rapid antimicrobial resistance genotyping directly from sequencing reads. Microb. Genomics. 2017; 3(10): e000131. https://doi.org/10.1099/mgen.0.000131

Hunt M., Bradley P., Lapierre S.G., Heys S., Thomsit M., Hall M.B. et al. Antibiotic resistance prediction for Mycobacterium tuberculosis from genome sequence data with Mykrobe. Wellcome Open Res. 2019; 4: 191. https://doi.org/10.12688/wellcomeopenres.15603.1

Yao H., Yiu S.-M. Deep analysis and optimization of CARD antibiotic resistance gene discovery models. BMC Genomics. 2019; 20: 914. https://doi.org/10.1186/s12864-019-6318-5

Angers-Loustau A., Petrillo M., Bengtsson-Palme J., Berendonk T., Blais B., Chan K.G et al. The challenges of designing a benchmark strategy for bioinformatics pipelines in the identification of antimicrobial resistance determinants using next generation sequencing technologies. F1000Res. 2018; 7: 459. https://doi.org/10.12688/f1000research.14509.2

Bankevich A., Nurk S., Antipov D., Gurevich A.A., Dvorkin M., Kulikov A.S. et al. SPAdes: a new genome assembly algorithm and its applications to single-cell sequencing. J. Comput. Biol. 2012; 19(5): 455-77. https://doi.org/10.1089/cmb.2012.0021

Lee I., Chalita M., Ha S.M., Na S.I., Yoon S.H., Chun J. ContEst16S: an algorithm that identifies contaminated prokaryotic genomes using 16S RNA gene sequences. Int. J. Syst. Evol. Microbiol. 2017; 67(6): 2053-7. https://doi.org/10.1099/ijsem.0.001872

Parks D.H., Imelfort M., Skennerton C.T., Hugenholtz P., Tyson G.W. CheckM: assessing the quality of microbial genomes recovered from isolates, single cells, and metagenomes. Genome Res. 2015; 25: 1043-55. https://doi.org/10.1101/gr.186072.114

Hughes D., Andersson D.I. Environmental and genetic modulation of the phenotypic expression of antibiotic resistance. FEMS Microbiol. Rev. 2017; 41(3): 374-91. https://doi.org/10.1093/femsre/fux004

Van Camp P.J., Haslam D.B., Porollo A. Prediction of antimicrobial resistance in gram-negative bacteria from whole-genome sequencing data. Front. Microbiol. 2020; 11: 1013. https://doi.org/10.3389/fmicb.2020.01013

Drouin A., Letarte G., Raymond F., Marchand M., Corbeil J., Laviolette F. Interpretable genotype-to-phenotype classifiers with performance guarantees. Scientific Reports. 2019; 9: 4071. https://doi.org/10.1038/s41598-019-40561-2

Nguyen M., Long S.W., McDermott P.F., Olsen R.J., Olson R., Stevens R.L. et al. Using machine learning to predict antimicrobial MICs and associated genomic features for nontyphoidal Salmonella. J. Clin. Microbiol. 2019; 57(2): e01260-18. https://doi.org/10.1128/JCM.01260-18.

Nguyen M., Brettin T., Long S.W., Musser J.M., Olsen R.J., Olson R., et al. Developing an in silico minimum inhibitory concentration panel test for Klebsiella pneumonia. Sci. Rep. 2018; 8: 428. https://doi.org/10.1038/s41598-017-18972-w

Ключевые слова