Hoogdoorvoermethoden met robotica en computervisies voor de ontwikkeling van therapeutische fagcocktails

Waarom dit belangrijk is voor alledaagse infecties

Antibioticaresistentie verandert voorheen routinematige infecties, zoals urineweginfecties (UWI’s), in hardnekkige en soms levensbedreigende problemen. Deze studie beschrijft hoe onderzoekers robots, camera’s en data-analyse gebruiken om virusgebaseerde geneesmiddelen, zogenaamde fagcocktails, te ontwikkelen die specifiek drugresistente bacteriën die UWI’s veroorzaken kunnen aanvallen. Het werk laat zien hoe een industrieel-achtige, geautomatiseerde labomgeving enorme aantallen virus–bacteriecombinaties kan doorzoeken om één kant-en-klare behandeling te ontwerpen die voor de meeste patiënten werkt.

Een veelvoorkomende infectie als testcase

UWI’s behoren tot de meest voorkomende redenen waarom mensen antibiotica krijgen, vooral vrouwen, van wie velen herhaalde infecties ervaren. De belangrijkste boosdoener is een vorm van E. coli die steeds resistenter is geworden tegen standaardmiddelen. Traditionele antibiotica werken breed en kunnen de nuttige microben in het lichaam verstoren, terwijl ze ook bacteriën aanmoedigen om resistentie te ontwikkelen. Fagen — virussen die bacteriën infecteren — bieden een meer gerichte optie, maar elke fag valt meestal alleen bepaalde bacteriestammen aan. De uitdaging is het vinden van de juiste mix van fagen die samen de reële diversiteit van UWI-veroorzakende E. coli aankunnen.

Een realistische bibliotheek van probleem-bacteriën opbouwen

Het team stelde eerst een groot en divers panel samen van UWI-veroorzakende E. coli-stammen om de klinische situatie te weerspiegelen. Uit ongeveer 1.700 isolaten verzameld van patiënten en commerciële bronnen, en geleid door genetische gegevens van ongeveer 10.000 openbaar beschikbare E. coli-genomen, selecteerden ze 356 stammen voor een “Klinisch Panel.” Deze stammen omvatten belangrijke genetische lijnen, kwamen van patiënten uit 39 Amerikaanse staten en bevatten veel stammen die resistent waren tegen meerdere klassen antibiotica. Elke stam werd zorgvuldig gekweekt, verdeeld, gebarcodet en opgeslagen in geautomatiseerde vriezers zodat robots ze herhaaldelijk en betrouwbaar voor tests konden ophalen.

Robots en camera’s zoeken naar de beste virusmix

Vervolgens richtten de onderzoekers zich op de andere kant van de vergelijking: de fagen. Ze verzamelden meer dan duizend omgevingsmonsters, voornamelijk uit afvalwater, en gebruikten hun Klinisch Panel om 1.143 op E. coli gerichte fagen te isoleren, waarvan 421 de belangrijkste werkpaarden werden. Een op maat gemaakt robotplatform gebruikte multikanaalspipetten, incubatoren en plaatlezers om bacteriën, fagen en kweekmedia in kleine putjes te mengen en bij te houden hoe goed bacteriën 20 uur lang groeiden. Door de groei in fag-behandelde putjes te vergelijken met onbehandelde controles, mat het systeem hoe effectief elke fag — of combinatie van fagen — de bacteriegroei onderdrukte. In de loop van de tijd leverde dit ongeveer 1,5 miljoen groeicurves en meer dan 3,8 miljoen fag–bacterie reactierecords op, die werden gevoed in een cocktail-voorspellingsmodel dat nieuwe, veelbelovende combinaties voorstelde om te testen.

Computervisie telt de overlevenden

Optische metingen geven een algemene troebelheid weer maar kunnen niet gemakkelijk detecteren wanneer slechts een klein aantal bacteriën overblijft. Om diepe doding te kwantificeren voegde het team een tweede geautomatiseerd assay toe. Robots verdunden monsters, spotten ze op agarplaten en incubeerden ze zodat individuele bacteriële overlevenden zichtbare kolonies vormden. Hoge-resolutiecamera’s maakten vervolgens beelden van de platen. Een aangepaste beeldanalysepipeline gebruikte drie verschillende algoritmen om kolonies en fag-geïnduceerde klaringen te tellen, kruiscontroleerde de resultaten en markeerde verschillen voor menselijke beoordeling. Over meer dan twee miljoen spots kwam het geautomatiseerde systeem overeen met of overtrof het de nauwkeurigheid van getrainde analisten, terwijl het op veel grotere schaal opereerde en betrouwbare tellingen van levende bacteriën en fagdeeltjes leverde.

Van miljoenen tests naar één krachtige cocktail

Met deze hoogdoorvoerassays en voorspellingsinstrumenten reduceerden de onderzoekers duizenden mogelijkheden tot een zes-fagcocktail, LBP-EC01. Gefabriceerd onder farmaceutische kwaliteitsvoorwaarden toonde deze cocktail in het lab activiteit tegen 96,4% van de 356 Klinisch Panel-stammen en reduceerde de bacterieaantallen met minimaal 100.000-voud in de meerderheid van de gevallen. Toen het team E. coli-isolaten testte uit het eerste deel van een lopende fase-2 klinische studie bij vrouwen met acute UWI’s, waren 97% van de unieke stammen gevoelig voor de cocktail, en het doodpatroon kwam nauw overeen met wat in het vooraf opgebouwde panel werd gezien. Belangrijk is dat ze geen bewijs vonden dat de bacteriën van patiënten tijdens de gecontroleerde periode genetische resistentie tegen de fagen ontwikkelden.

Wat dit betekent voor toekomstige behandelingen

Simpel gezegd laat dit werk zien dat zorgvuldig ontworpen automatisering en beeldvorming het giswerk uit fagtherapie kunnen halen. Door realistische verzamelingen patiëntbacteriën te combineren met robottests en computervisie, creëerden de onderzoekers een breed actief fagcocktail dat effectief blijft tegen klinische isolaten uit de praktijk. Hoewel grotere klinische studies nodig zijn om de therapeutische voordelen te bevestigen, biedt de aanpak een blauwdruk voor het ontwikkelen van vaste, schaalbare faggeneesmiddelen om multiresistente infecties aan te pakken en de afhankelijkheid van traditionele antibiotica te verminderen.

Bronvermelding: Penke, T.J.R., Hammack, A.T., McMillan, L.J. et al. High-throughput methods leveraging robotics and computer vision for the development of therapeutic phage cocktails. Nat Commun 17, 2192 (2026). https://doi.org/10.1038/s41467-026-68684-x

Trefwoorden: fagtherapie, urineweginfectie, antibioticaresistentie, laboratoriumautomatisering, computervisie