美國哈佛醫學院Blavatnik研究所的研究人員設計了一種能夠檢測常用結核病藥物預處理耐藥性的計算方法。在實驗中，他們設法準確地預測了結核病(TB)菌株在十分之一秒內對10種一線和二線藥物的耐藥性，并且比類似的模型具有更高的準確度。

該方法在《EBioMedicine》期刊中有所描述，并將被添加到哈佛醫學院的genTB工具中，該工具可分析結核病數據并預測結核病耐藥性。

正如Farhat和他的同事解釋的那樣，在每年確診的數百萬新結核病例中，大約4%的人對至少兩種藥物有耐藥性，十分之一的患者對多種藥物有耐藥性。藥物敏感性測試設備在發展中國家很難買到，即使在設備精良的實驗室，測試結果也需要數周時間才能得到驗證。掃描DNA樣本尋找耐藥基因的新檢測方法也有其局限性，主要是無法發現多種藥物的耐藥性或檢測出罕見的耐藥促進基因變異體的存在。至于全基因組測序測試，它們在檢測對二線藥物的耐藥性方面往往表現不佳。

相比之下，研究人員的方法是利用機器學習算法來捕捉多種突變的影響。它包括兩個模型：一個統計模型和一個“廣泛而深入”的系統。這兩個人工智能系統接受了對一線和二線藥物耐藥的3601個TB菌株的培訓，包括1228個多藥耐藥菌株，其結果來自藥物敏感性測試。為了測試它們的性能，論文的共同作者從792個完全測序的TB基因組的測試語料庫中提取了樣本。

“廣泛而深入”的人工智能系統預測對一線和二線藥物的耐藥性的準確率分別為94%和90%，而統計模型預測對一線和二線藥物的耐藥性的準確率分別為94%和88%。這兩種模型都能夠在十分之一秒內預測一線和二線治療的耐藥性，而“廣泛而深入”的模型具有預測極罕見基因突變影響的能力。

研究人員聲稱，如果將其納入臨床試驗，這些模型可以使藥物耐藥性檢測更快，更準確。

結核病是世界上最致命的疾病之一。近年來，抗結核治療的手段不斷被更新，結核病患者的生存率也越來越高。然而，耐藥性結核很難被發現，很難治療。因此，在診斷時能夠迅速發現耐藥性的全部情況，對于改善患者的預后以及減少傳播至關重要。