Project

Ontwikkeling van een MALDI-TOF MS platform voor de discriminatie van stammen binnen bacteriesoorten met als doel versnelde resistentie-predictie en efficiënte preventie van nosocomiale transmissie.

Looptijd
01-11-2020 → Lopend
Financiering
Fonds voor Wetenschappelijk Onderzoek - Vlaanderen (FWO)
Promotor
Mandaathouder
Onderzoeksdisciplines
  • Medical and health sciences
    • Bioinformatics of disease
    • Computational biomodelling and machine learning
    • Development of bioinformatics software, tools and databases
    • Bacteriology
    • Infectious diseases
 
Projectomschrijving

Toepassing van MALDI-TOF (MT) technologie bracht een revolutie met zich mee in de diagnostische microbiologie voor de identificatie van bacteriële isolaten, gekweekt uit klinische stalen. In slechts enkele seconden tijd genereert MT complexe peptide spectra van isolaten en vergelijkt een vereenvoudigd spectrum met een databank van spectra van gekende soorten voor identificatie. Belangrijke informatie voor de arts zoals de specifieke antibioticagevoeligheid is echter afhankelijk van een antibiogram dat 1 tot 3 dagen in beslag neemt. Intussen worden patiënten empirisch behandeld met antibiotica die vaak niet doeltreffend zijn. Indien klinische laboratoria zouden beschikken over snelle, betrouwbare en goedkope methodes voor zowel de identificatie van bacteriën als voor de predictie van antibioticagevoeligheid, dan kan een doeltreffende antibioticatherapie vroeg gestart worden. Dit onderzoeksvoorstel beoogt alle data gegenereerd door MT uit te buiten om niet enkel isolaten te identificeren op soortniveau, maar ook om directe discriminatie te bekomen tot op stamniveau en zo te bepalen in welke mate stamtypering kan gebruikt worden voor de betrouwbare predictie van antibiotica gevoeligheid. Eiwitextracten zullen verkregen worden door een ethanol/mierenzuur-extractie. Peptide spectra zullen geanalyseerd worden door de implementatie van machine learning om te bepalen tot welke clone een isolaat behoort en voor de constructie van predictieve modellen voor de antibioticagevoeligheid.