Abstract
Klebsiella pneumoniae (KP) è un patogeno opportunista di primaria importanza clinica, noto per l’elevata variabilità genotipica, la resistenza antimicrobica (AMR) e la presenza di cloni ipervirulenti. KP è oggi tra i principali agenti di batteriemia in ambito ospedaliero ed è incluso nella lista prioritaria dell’OMS per la ricerca su nuove strategie terapeutiche. Questo studio mira a identificare, mediante approcci di intelligenza artificiale, le firme genomiche e cliniche associate alla mortalità nei pazienti con sepsi KP ed è condotto congiuntamente dall’Università degli Studi di Bologna (U.O. Microbiologia di Pievesestina e DIFA) e dall’Università degli Studi di Catania. Per quanto riguarda l’ U.O. Microbiologia di Pievesestina, sono stati completati l’isolamento, l’identificazione e la caratterizzazione fenotipica di 350 ceppi di K. pneumoniae, ottenuti da emocolture positive, secondo le metodiche standard della diagnostica microbiologica. Per ogni paziente sono stati inoltre raccolti dati demografici, clinici, biochimici e microbiologici, incluse le concentrazioni minime inibenti (MIC) e la relativa interpretazione secondo EUCAST. Tali dati sono in fase di integrazione sistematica, al fine di costruire un dataset strutturato e ottimizzato per l’analisi multivariata. Ad oggi, 106 ceppi sono stati sottoposti con successo a sequenziamento whole genome (WGS) con tecnologia Illumina. Sui dati risultanti sono stati eseguiti i necessari controlli di qualità e un primo step di analisi bioinformatica, una pipeline standardizzata che comprende la tipizzazione multilocus dei ceppi sequenziati (MLST) e l’identificazione di geni di virulenza in base al database VFDB, di determinanti di resistenza antimicrobica (database CARD) e di eventuali repliconi plasmidici (PlasmidFinder). Tutti i risultati sono stati organizzati in un formato compatibile con l’integrazione con le informazioni fenotipiche e cliniche. Ulteriori 94 ceppi sono stati sottoposti ad estrazione degli acidi nucleici e conservati in attesa di sequenziamento. Il prossimo step prevede il completamento delle fasi di estrazione del DNA, sequenziamento e analisi bioinformatica preliminare, a cui seguirà l’unificazione del dataset esteso. I dati saranno quindi sottoposti ad analisi statistica e computazionale, con stratificazione dei pazienti nei tre gruppi clinici previsti al fine di identificare variabili discriminanti associate agli esiti clinici. L’applicazione di algoritmi di machine learning permetterà infine la costruzione di modelli predittivi basati sull’integrazione delle componenti genomiche, fenotipiche e clinico-biochimiche. Le firme molecolari identificate saranno contestualizzate biologicamente tramite mappatura su database pubblici, con l’obiettivo di chiarire i meccanismi patogenetici sottostanti e contribuire allo sviluppo di strumenti predittivi per la gestione precoce e personalizzata delle sepsi da KP.
Project details
Unibo Team Leader: Vittorio Sambri
Unibo involved Department/s:
Dipartimento di Scienze Mediche e Chirurgiche
Coordinator:
ALMA MATER STUDIORUM - Università di Bologna(Italy)
Total Eu Contribution: Euro (EUR) 167.360,00
Total Unibo Contribution: Euro (EUR) 101.197,00
Project Duration in months: 24
Start Date:
28/09/2023
End Date:
15/02/2026
