Integration of Multi-Omic Datasets on Antimicrobial Resistance for Large-Scale Biomedical Data Science

Antimikrobielle Resistenz (AMR) führt zu einem enormen Gesundheitsrisiko und wurde daher von der WHO als eine der größten Belastungen für die moderne Gesellschaft eingestuft. Aufgrund unwirksamer Antibiotika werden alltägliche Operationen zu lebensbedrohlichen Eingriffen. Strenge staatliche Maßnahmen sollen die Verabreichung antimikrobieller Mittel überwachen und so die Verbreitung von AMR kontrollieren. Das Eingreifen von Verantwortlichen aus dem Gesundheitswesen und eine verantwortungsvolle Anwendung in der Human- und Veterinärmedizin sind dringend erforderlich. Vor diesem Hintergrund wird die abwasserbasierte Epidemiologie eingesetzt, um verschiedene Umweltfaktoren zu untersuchen, die die Antibiotikaresistenz begünstigen und um die Entwicklung dieser in der gesamten Bevölkerung zu überwachen. Antibiotikarückstände in menschlichen Ausscheidungen sind ein wichtiger Faktor für AMR. Daher ist es naheliegend, die Zu- und Abwässer von Kläranlagen zu untersuchen. Das gereinigte Abwasser wird letztlich in Flüsse, Seen oder das Meer eingeleitet, wodurch AMR von einem lokalen zu einem globalen Gesundheitsproblem wird. Daher ziehen die Wissenschaftler zunehmend Süß- und Salzwasser für umfassende AMR-Untersuchungen in Betracht. Gewässer zur Erholung könnten ein erhebliches Gesundheitsrisiko darstellen, wenn sie mit resistenten Bakterien belastet sind. Tatsächlich wurden im Rahmen der Süßwasser-Epidemiologie Hotspots in asiatischen Seen festgestellt, was die Dringlichkeit einer zeitnahen und konsistenten AMR-Überwachung weltweit unterstreicht. Allerdings wird die Konsistenz der Daten durch eine große Vielfalt an bioanalytischen Methoden erschwert. Daher wurden im Rahmen dieser Dissertation standardisierte Proben aus zahlreichen europäischen Süßwasserseen integriert, untersucht und ausgewertet. Dies ermöglichte Basiswerte für AMR zu ermitteln und die künftige, umfangreiche Überwachung zu erleichtern. Die Ergebnisse unterstreichen außerdem, dass multiresistente Krankheitserreger alternative therapeutische Optionen jenseits konventioneller Antibiotika erfordern. Daher untersuchen Wissenschaftler antimikrobielle Peptide (AMPs). Bis heute sind mehrere AMPs in klinischen Studien fortgeschritten oder haben sogar Marktreife erlangt. Der Erfolg ermutigte Wissenschaftler Methoden des maschinellen Lernens (ML) für das AMP-Screening im Hochdurchsatzverfahren zu einzusetzen. Die ML-basierte Integration von Peptidomics Daten setzt jedoch ein maschinenlesbares Format voraus, was die Optimierung der Hyperparameter weiter erschwert. Daher wurden im Rahmen dieser Dissertation auch die Leistung in Bezug auf Kodierungen, Modelle und den biomedizinischen Bereich untersucht. Schließlich wird in einer weiteren Studie dieser Thesis ein neuer Ansatz für die unüberwachte Auswahl von Kodierungen und die Konfiguration von Ensembles vorgestellt. Kurzum, diese Arbeit erörtert die Sammlung, Analyse und Integration von Multi-Omics-Daten, um den Weg für die datengesteuerte Forschung von AMR zu ebnen.