Contrôler l’antibiorésistance à l’hôpital : modélisation holistique et éco-évolutive de la dissé-mination des gènes de résistance pour optimiser les stratégies de lutte – ResisTrack

ResisTrack s'appuie sur les approches suivantes :
1. Une méthode originale de simulation d'écosystème multi-échelle basée sur la représentation d'éléments imbriqués sous forme de graphe d'inclusion. La méthode a un comportement hybride entre celui des modèles individu-centrés, avec une flexibilité maximale et un coût computationnel élevé, et des modèles de population qui peuvent capturer des événements rares dans de larges populations mais avec une flexibilité moindre.

2. Une cartographie systématique du lien entre le résistome bactérien (le contenu génomique en ARG et en MGE hébergeant des ARG) et le profil de résistance généré par le diagnostic de soin courant. Cette cartographie est utilisée pour déduire rétrospectivement le résistome de toutes les bactéries diagnostiquées dans un grand groupe hospitalier, en tenant compte de l'incertitude d'inférence.


3. La calibration des paramètres du modèle d’écosystème sur des données hospitalières réelles reflétant les résistomes inférés, les traitements antibiotiques et les mouvements de patients dans le réseau hospitalier.
Un modèle génératif et stochastique d'écosystème hospitalier appelé msevol a été développé dans le WP1 ainsi que les priors des paramètres à inférer dans le WP3. L'objectif du WP2 est de construire un ensemble de données complet décrivant les ARG et les MGE chez les entérobactéries, les diagnostics microbiologiques et les prescriptions d'antibiotiques. Dans le WP3, le modèle stochastique msevol sera calibré à partir des données hospitalières. Dans le WP4, les stratégies d’antibiogouvernance et d’hygiène seront évaluées in silico et sélectionnées en analysant chaque résultat d’intervention dans l’écosystème hospitalier simulé.
Les paramètres liés au patient sont estimés à partir des données des HCL, dont le taux de transfert entre les services, la probabilité de recevoir des antibiotiques ou d'être échantillonné pour des tests microbiologiques. Les analyses éco-évolutives se concentreront sur les entérobactéries, chez lesquelles le transfert horizontal des gène est le plus pertinent pour l’antibiorésistance. Pour estimer la distribution des ARG et des MGE au sein de l’ensemble des entérobactéries, nous utiliserons une méthode de prédiction du résistome. Nous déduirons les résistomes à partir des résultats phénotypiques de routine, en utilisant un modèle probabiliste entraîné sur les génomes assemblés et annotés d'un ensemble réduit (n ~ 1 600) d'isolats représentant la diversité des profils de résistance, complétés par d'autres sources de données.

Une version fonctionnelle du simulateur msevol permet de lier la pression antibiotique, les ARGs, le transfert de gènes avec des plasmides, la diffusion bactérienne entre les niches et la compétition pour les ressources entre espèces bactériennes (WP1). Nous avons employé ce simulateur pour examiner les conditions de persistance des multirésistances bactériennes transmises par plasmide, imitant la compétition entre des plasmides de résistance préoccupants chez les entérobactéries, pOxa48, pCTX-M15 et pNDM-1. Les résultats ont permis d’identifier les conditions qui favorisent l'accumulation de pCTX-M15 et de pOxa48, ou qui favorisent la persistance de pNDM-1 malgré un coût biologique plus élevé. Nous implémenterons les mouvements des patients entre les services, la durée des traitements antibiotiques et de la plasticité intra-génomique. Un modèle déterministe a été développé en complément de msevol pour étudier l'émergence des clusters d’ARG co-transférables impliqués dans la diffusion des multirésistances. Ce modèle a permis d’identifier des forces motrices pouvant expliquer l’émergence de ces clusters dans des conditions de coexistence entre espèces sensibles et résistantes, typiquement à l’interface entre des environnements à haute et basse pression antibiotique.
La majorité des paramètres du modèle ont été estimés à partir des données de la littérature, en utilisant une approche de méta-analyse. La plasticité du génome a été définie par le partenaire 3 en fonction de l'évolution de la taille du pangénome par rapport au nombre de génomes échantillonnés chez une espèce. Les mouvements de patients entre les services ont été collectés. Les paramètres concernant la transmission inter-patients de bactéries dans le cadre des précautions contact ont été discutés avec des experts en hygiène hospitalière et s'appuient sur une recherche documentaire actuellement en cours.
Dans le WP2, une collection de souches représentatives issues des Centres Nationaux de Référence a été consolidée. La collection comprend plus de 300 souches de P. aeruginosa, ~240 d'E. coli, ~170 d'A. baumanii, ~140 de K. pneumonia et d'autres entérobactéries. Le séquençage du génome entier utilisant les technologies Nanopore et Illumina, a été mis en place avec un débit actuel d'environ 50 génomes/semaine. Un prototype de modèle de prédiction de résistome a été construit pour étudier la prédiction des ARG (mais pas encore des plasmides) à partir de profils de résistance.
Dans le WP3, un état de l’art des méthodes d’inférence bayésienne a été réalisé. Deux packages R synlik et BSL sont actuellement comparés pour identifier l'approche la plus efficace pour implémenter les méthodes de similarités développées par Wood (2010) et ainsi calibrer le modèle stochastique msevol à partir des données des HCL.

Stratégies de lutte contre l’antibiorésistance. En construisant un modèle de simulation réaliste d'un écosystème hospitalier bactérien, le projet ResisTrack permettra d'évaluer un ensemble exhaustif de stratégies de lutte contre l’antibiorésistance. Ces résultats permettront de proposer, pour évaluation sur le terrain, un ensemble de stratégies optimales clairement définies, ainsi qu’une compréhension écologique de leur impact sur la diffusion des ARG.

Un modèle général de l’antibiorésistance à l'hôpital. Notre modèle d'écosystème centré sur les ARG sera adaptable à d'autres hôpitaux et contextes, grâce à la séparation explicite entre les paramètres globaux, indépendants du contexte, et les paramètres locaux propres à chaque hôpital. ResisTrack fournira un cadre de simulation général pour adapter les interventions d’antibiogouvernance et d’hygiène à la lumière de l'épidémiologie locale.

Un modèle d'inférence du résistome. L'analyse d'un ensemble exhaustif de génomes bactériens ainsi que des données de résistance phénotypique fournira un modèle d'inférence capable de déterminer le résistome (contenu en ARG et MGE) d'un isolat à partir de données de soin courant. Au-delà du projet ResisTrack, cette approche peut ouvrir la voie à des applications nouvelles en microbiologie clinique, notamment le suivi en temps réel de l'épidémiologie des ARG ou la correction des résultats d'antibiogramme en fonction de leur cohérence avec un résistome plausible. L'application du modèle pourrait permettre aux hôpitaux de surveiller la diffusion des ARG et des plasmides sans frais supplémentaires.

Les résultats concernant les forces motrices du clustering des GRA et du co-transfert ont été présentés lors de la conférence EvoLyon 2021.
Le partenaire 1 présentera des résultats lors de la conférence ECML/PKDD 2022 (MLMG 2022, Machine Learning and Microbial Genomics workshop) sur la prédiction des ARG à partir de profils de résistance générées par les laboratoires de diagnostic. Des modèles de prédiction d’ARG basés sur des méthodes random forest, support-vector machine (SVM) et des modèles linéaires généralisés ont été formés sur une large collection de bactéries cliniquement pertinentes avec divers profils de sensibilité aux antibiotiques. L'évaluation des performances de prédiction suggère que les SVM surpassent les autres méthodes pour cette tâche.

Rationnel. L’antibiorésistance progresse à une vitesse alarmante chez les bactéries hospitalières, menaçant les acquis d’avancées médicales essentielles. Pour contrer cette progression et optimiser les interventions d’épargne antibiotique et d’hygiène hospitalière (EA/HH), nous devons améliorer notre compréhension des phénomènes éco-évolutifs qui sous-tendent la diffusion de l’antibiorésistance à l’hôpital. En intégrant les phénomènes majeurs qui influencent l’antibiorésistance, comme le transfert horizontal de gènes ou la compétition entre lignées bactériennes, nous pouvons espérer modéliser, comprendre et prédire l’impact des stratégies de lutte avec une précision inégalée.

Projet. Nous proposons de construire et calibrer un modèle stochastique et multi-échelle de l’écosystème bactérien des Hospices Civils de Lyon, un réseau hospitalier de 5 400 lits. Les paramètres du modèle seront calibrés grâce à des données microbiologiques et génomiques massives. Le modèle calibré pourra simuler un ensemble complet de stratégies d’EA/HH. L’impact de chaque intervention sera évalué pour identifier les stratégies optimales et décrire les phénomènes éco-évolutifs qui sous-tendent leur optimalité.

Méthodes. Le modèle sera structuré autour d’une hiérarchie d’éléments imbriqués dont les gènes de résistance, plasmides, bactéries, patients et unités de soin. Les événements simulés captureront la dynamique de mobilité des gènes, bactéries et patients, ainsi que la compétition entre bactéries exposées à des pressions antibiotiques fluctuantes. Nous ajusterons les paramètres par approche bayésienne sur 5 ans de données exhaustives sur les diagnostics microbiologiques, prescriptions antibiotiques et trajectoires des patients, fournies par le projet EpiTrack mené aux HCL. Les informations génétiques (résistome et mobilome) sur 100 000 isolats seront obtenues sur la base des données microbiologiques de routine, grâce à un modèle d’inférence probabiliste du résistome construit à partir des séquences génomiques complètes d’un échantillon soigneusement sélectionné de 1 600 isolats représentatifs de la diversité des résistomes aux HCL. Des paramètres manipulables permettront de représenter les interventions d’EA/HH comme les restrictions d’antibiotiques ciblées ou une modification des indications de précautions contact. Ces interventions seront simulées, pour comparer leurs impacts potentiels, en faisant varier les paramètres manipulables.

Résultats attendus et impact. ResisTrack établira une description holistique et dynamique de l’antibiorésistance à l’hôpital et de l’influence des prescriptions d’antibiotiques et des mouvements de patients. Les simulations permettront de proposer des stratégies d’EA/HH intégrées, présentant une efficacité maximale, pouvant être testées sur le terrain dans des études ultérieures. Les modèles d’inférence du résistome permettront à d’autres institutions de monitorer la diffusion des gènes et plasmides de résistance à l’hôpital et dans la communauté sans surcoût, en utilisant les données microbiologiques générées en routine.

Consortium. Le projet sera mené par des équipes aux expertises complémentaires en bactériologie médicale, évolution, écologie et bioinformatique. L’intégration des données, la sélection des isolats, leur séquençage et le développement du modèle seront conduits au Centre International de Recherche en Infectiologie de Lyon (CIRI Inserm U1111) en partenariat avec les HCL. Les analyses génomiques et bioinformatiques seront supervisées par G. Perrière au LBBE/PRABI, Lyon (CNRS). L’expertise en éco-évolution bactérienne et modélisation bayésienne sera apportée par T. Wirth, EPHE, Paris (Muséum National d’Histoire Naturelle). Les travaux mathématiques et la coordination du projet seront supervisés par J.P. Rasigade, coordonnateur du projet EpiTrack soutenu par les HCL et la Fondation FINOVI.