HavePhAIth: Humane Faagtherapie op basis van AI om faag-cocktails te ontwerpen tegen ESKAPE pathogenen

Humane Faagtherapie (FT) is een beloftevolle, nieuwe strategie voor de behandeling van het toenemend aantal antiobiotica-resisitente infecties. België is Europees leider in de implementatie van FT en de techniek is momenteel operationeel in het Militair Hospitaal Koningin Astrid (MHKA) en recent geimplementeerd aan het UZ Leuven. Een Task Force is opgezet (Multidisciplinary Phage Task Force, MPTF) samen met UZ Leuven om FT op te zetten voor patiënten met moeilijk te behandelen infecties. Echter, zijn de huidige strategieën om faagcocktails te ontwerpen blind en berusten op empirisiche regels die geen gebruik maken van de snel groeiende omics data waarmee bacterie-faag interacties voorspeld kunnen worden. In mijn doctoraatsonderzoek, heb ik Machine Learning modellen van faag infectiviteit ontwikkeld om uit een collectie fagen te voorspellen die Pseudomonas airuginosa kunnen infecteren op van basis de inhoud van hun genoom. Als lid van de MPTF en frequent onderzoekspartner van het MHKA, twee entiteiten die grote datasets zullen genereren wat betreft omics en klinische gegevens over FT in vivo, zal ik deze nieuwe modelleertechnieken transleren naar ESKAPE pathogenen uit patiënten. Dit zal mij in een unieke positie brengen om de dynamiek van bacterie-faag co-evolutie in vivo te bestuderen, door longitudinaal geisoleerde bacterien uit behandelde patienten te analyseren. Deze analyses zullen tot belangrijke vuistregels voor het ontwerp van faagcocktails leiden en tegelijkertijd wordt het onderzoek getransleerd naar gepersonaliseerde FT voor specifieke patiënten. Dit project zal ook resulteren in een “AI dokter” die therapeutische fagen uit de gezamenlijke collecties tegen ESKAPE pathogenen zal rangschikken op basis van hun voorspelde effectiviteit tegen de specifieke bacteriestam van een patiënt.

Trefwoorden:Bioinformatics, Host-virus interactions, Bacteriophage therapy, Omics data analysis

Disciplines:Infectieziekten, Computationele evolutionaire biologie, comparatieve genomics en populatiegenomics, Computationele biomodellering en machine learning, Analyse van next-generation sequence data, Bacteriologie