Az antimikrobiális rezisztencia (AMR) az egyik legsúlyosabb, globális közegészségügyi probléma, amely egyre nagyobb kihívást jelent az állategészségügyben is. Az adatelemzéssel foglalkozó kutatócsoport hatalmas mennyiségű, különféle forrásból származó adat elemzésével foglalkozik a projektben, úgy, mint az állattartásból származó adatok – például az állatok egészségi állapota, a takarmányfogyasztás vagy az elhullás aránya – és a környezeti tényezők, mint a hőmérséklet, a csapadék, illetve a műtrágya- és növényvédőszer-használat.

Az AMR a baktériumok természetes védekezési mechanizmusából ered: a mutációk révén kialakuló rezisztens törzsek túlélnek, miközben az érzékenyek eltűnnek. Az antibiotikum-használat kétségtelenül gyorsítja ezt a folyamatot, de a kutatók eredményei szerint egyéb hatások, mint például a környezeti tényezők is befolyásolják.

Ezek az összefüggések csak nagyléptékű, rendszerszintű adatelemzéssel tárhatók fel.

A modern számítógépes módszerek – köztük a mesterséges intelligencia – ebben kulcsszerepet játszanak. A modellek képesek felismerni azokat a mintázatokat, amelyek az emberi szem számára rejtve maradnak, és előre jelezni, mikor növekedhet meg a rezisztencia kockázata. Az így kapott eredményekből a kutatók döntéstámogató rendszert fejlesztenek, amely a tudományos adatokat közérthető formában, interaktív módon jeleníti meg.

Ez segíti a gazdálkodókat, az állatorvosokat és a döntéshozókat abban, hogy időben, megelőző intézkedéseket hozhassanak – például a biobiztonsági szabályok vagy a takarmányozás terén.

A Fertőző Állatbetegségek, Antimikrobiális Rezisztencia, Állatorvosi Közegészségügy és Élelmiszerlánc-biztonság Nemzeti Laboratórium keretében (RRF-2.3.1-21-2022-00001) elindult kutatásunk technológiai hátterét egy újonnan fejlesztett egyetemi adatinfrastruktúra biztosítja. Ennek központi eleme a legmodernebb NVIDIA GH200 GPU-szerver. Ez a világ egyik legfejlettebb számítási platformja, amely egyszerre biztosítja a nagy teljesítményű feldolgozási kapacitást és az AI-alapú adatelemzést, biztonságos környezetet teremt az adatelemzésekhez – így az érzékeny kutatási adatok nem kerülnek felhőbe. A platformon belül a kutatók saját, belső használatú mesterséges intelligencia-modelleket alkalmazhatnak, amelyek segítik a nagyméretű adatállományok elemzését és az összefüggések feltárását.