Высокопроизводительные методы с использованием робототехники и компьютерного зрения для разработки терапевтических фаговых коктейлей

Почему это важно для повседневных инфекций

Антибиотикорезистентность превращает ранее рутинные инфекции, такие как инфекции мочевыводящих путей (ИМП), в упорные и порой угрожающие жизни проблемы. В этом исследовании описывается, как учёные используют роботов, камеры и анализ данных для создания вирусных лекарств — фаговых коктейлей, которые могут избирательно атаковать вызывающие ИМП резистентные бактерии. Работа демонстрирует, как автоматизированная лаборатория индустриального уровня может просеять огромное число пар «фаг–бактерия», чтобы сконструировать готовое к использованию лекарство, эффективное для большинства пациентов.

Превращение распространённой инфекции в модельный случай

ИМП — одна из наиболее частых причин назначения антибиотиков, особенно у женщин, многие из которых сталкиваются с рецидивами. Главный виновник — штамм E. coli, ставший всё более устойчивым к стандартным препаратам. Традиционные антибиотики действуют широко и могут нарушать полезную микрофлору организма, одновременно стимулируя развитие резистентности у бактерий. Фаги — вирусы, инфицирующие бактерии — предлагают более целенаправленный вариант, но каждый фаг, как правило, поражает только определённые штаммы. Задача состоит в том, чтобы подобрать такую смесь фагов, которая в совокупности справится с реальным разнообразием штаммов E. coli, вызывающих ИМП.

Создание реалистичной коллекции проблемных бактерий

Команда сначала собрала большую и разнородную панель штаммов E. coli, вызывающих ИМП, чтобы отразить картину, наблюдаемую в клиниках. Из примерно 1700 изолятов, собранных у пациентов и от коммерческих поставщиков, и опираясь на генетические данные примерно 10 000 публично доступных геномов E. coli, они отобрали 356 штаммов для «Клинической панели». Эти штаммы охватывали основные генетические линии, были получены от пациентов из 39 штатов США и включали многие штаммы, устойчивые к нескольким классам антибиотиков. Каждый штамм тщательно выращивали, распределяли по партиям, маркировали штрихкодами и хранили в автоматизированных морозильниках, чтобы роботы могли многократно и надёжно извлекать их для тестирования.

Роботы и камеры охотятся за лучшей смесью вирусов

Далее исследователи обратились к другой стороне уравнения — к фагам. Они собрали более тысячи экологических образцов, преимущественно из сточных вод, и использовали Клиническую панель, чтобы выделить 1 143 фага, нацеленных на E. coli, из которых 421 стали основными рабочими единицами. Пользовательская роботизированная платформа с многоканальными пипетами, инкубаторами и ридерами для планшетов смешивала бактерии, фаги и питательную среду в крошечных лунках и отслеживала рост бактерий в течение 20 часов. Сравнивая рост в лунках, обработанных фагами, с контрольными, не обработанными образцами, система оценивала, насколько эффективно каждый фаг или комбинация фагов подавляли бактериальный рост. Со временем это породило примерно 1,5 миллиона кривых роста и более 3,8 миллиона записей о реакциях фаг–бактерия, которые питали модель предсказания коктейлей, предлагавшую новые перспективные сочетания для испытаний.

Разрешая компьютерному зрению подсчитывать выживших

Оптические показания дают представление о общей мутности, но не позволяют легко обнаружить случаи, когда остаётся лишь небольшое число бактерий. Чтобы количественно оценить глубокое уничтожение, команда добавила второй автоматизированный анализ. Роботы разводили образцы, наносили их точечным способом на агаровые пластины и инкубировали, чтобы отдельные выжившие бактерии образовали видимые колонии. Камеры высокого разрешения затем снимали пластины. Пользовательский конвейер анализа изображений применял три разных алгоритма для подсчёта колоний и фаг-индуцированных просветлений, взаимно проверяя результаты и помечая расхождения для ручной проверки человеком. По более чем двум миллионам точек автоматизированная система достигла или превзошла точность обученных аналитиков, работая при гораздо большем масштабе и обеспечивая надёжный подсчёт живых бактерий и частицы фагов.

От миллионов тестов к одному мощному коктейлю

Используя эти высокопроизводительные тесты и инструменты предсказания, исследователи сузили тысячи вариантов до шестифагового коктейля LBP-EC01. Изготовленный в условиях фармацевтического качества, этот коктейль продемонстрировал активность в лабораторных условиях против 96,4% из 356 штаммов Клинической панели и сократил число бактерий минимум в 100 000 раз в большинстве случаев. Когда команда протестировала изоляты E. coli из первой части текущего многоцентрового клинического исследования фазы 2 у женщин с острыми ИМП, 97% уникальных штаммов оказались чувствительными к коктейлю, а профиль уничтожения тесно соответствовал наблюдениям на предварительно собранной панели. Важно, что в наблюдаемый период команда не нашла свидетельств того, что бактерии пациентов развивали генетическую резистентность к фагам.

Что это значит для будущих методов лечения

Проще говоря, эта работа показывает, что продуманная автоматизация и визуализация могут устранить элемент догадки в фаговой терапии. Сочетая реалистичные коллекции бактериальных образцов пациентов с роботизированным тестированием и компьютерным зрением, исследователи создали широко действующий фаговый коктейль, остающийся эффективным против клинических изолятов из реальной практики. Хотя для подтверждения клинических преимуществ требуются крупные испытания, подход предлагает шаблон для разработки фиксированных, масштабируемых фаговых препаратов для борьбы с мультирезистентными инфекциями и снижения зависимости от традиционных антибиотиков.

Цитирование: 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

Ключевые слова: фаговая терапия, инфекция мочевыводящих путей, антибиотикорезистентность, лабораторная автоматизация, компьютерное зрение