DTU:s PathogenFinder2 kan bedöma det potentiella hotet från okända bakterier – men det finns en hake

DTU:s nya modell kommer med ett tydligt löfte – och en praktisk målkonflikt

Den 27 mars 2026 lanserade forskare vid Danmarks Tekniska Universitet (DTU) en ny AI-tjänst: PathogenFinder2, en gratismodul i Global Pathogen Analysis Platform (GPAP) som påstås låta användare testa hela bakteriegenom och få verktyget att bedöma det potentiella hotet från dessa genom. I en koncis sammanfattning som medföljer artikeln i Bioinformatics säger teamet under ledning av Alfred Ferrer Florensa att modellen kan belysa proteiner och genetiska signaler kopplade till virulens även när organismen saknar nära kända släktingar. Resultatet är ett snabbt, tolkningsbart flaggningssystem för avloppsundersökningar, upptäckt av vilda mikrober och mikrobiomskanning som – på pappret – flyttar bedömningen från ”vi vet inte” till ”den här ser oroväckande ut”.

Den förmågan är viktig nu eftersom genomsekvensering – av avloppsvatten, livsmedel, animaliska reservoarer och humana prover – har exploderat. Grupper upptäcker bakteriearter utan klinisk historik; folkhälsomyndigheter kan inte vänta i veckor på odlingar och omfattande fenotypning vid varje mindre larm. PathogenFinder2 lovar att prioritera dessa upptäckter genom att erbjuda svar på vilka genom som förtjänar brådskande laboratorieuppföljning och vilka som kan arkiveras som bakgrundsbrus. Men tekniken medför också de välbekanta avvägningarna: snabbare prioritering, fler falska larm; modellens tolkningsbarhet, men även fördomar i träningsdata; samt folkhälsovärde, men betydande brister i styrningen kring vem som agerar på varningarna.

Hur verktyget bedömer det potentiella hotet: proteinspråkmodeller och 21 000 genom

Teamet tränade och validerade systemet på vad de beskriver som det hittills största märkta datasetet: mer än 21 000 genom annoterade som sjukdomsassocierade eller icke-patogena, hämtade från kliniska isolat, mikrobiomundersökningar, probiotiska stammar och till och med extremofiler. Kritiskt är att modellen även ger en förklaring: den belyser de specifika proteiner eller regioner som starkast påverkar en högriskpoäng – klassiska virulensfaktorer som toxiner eller adhesiner, men även tidigare okarakteriserade proteiner som motiverar laboratoriestudier. Denna tolkningsbarhet är avsiktlig: DTU ramar in PathogenFinder2 som ett verktyg för att prioritera bevis snarare än som en slutgiltig domare över patogenicitet.

När verktyget bedömer det potentiella hotet – styrkor, blinda fläckar och jämförelse med laboratorietester

Men beräkningsmässig förutsägelse är inget substitut för fenotyp. Klassisk mikrobiologi – tillväxtkurvor, analyser av interaktion med värdceller, djurmodeller och klinisk korrelation – förblir guldstandarden för att bevisa att en bakterie orsakar sjukdom. AI-poäng är probabilistiska och benägna att begå två praktiska fel: falska negativa (nya mekanismer som modellen inte har lärt sig) och falska positiva (biokemiska signaturer som är korrelerade med virulens i vissa sammanhang men harmlösa i andra). Dessutom skiljer sig sekvenseringsplattformar åt – Illumina och Nanopore har olika felprofiler – och dessa tekniska skillnader kan förändra vilka proteiner som tillförlitligt identifieras. Resultatet: PathogenFinder2 bör ses som ett filter för beslutsstöd som prioriterar prover för riktad laboratorievalidering, inte som en maskin för folkhälsodomslut.

Var PathogenFinder2 passar in i övervakningen och hur det kan förändra folkhälsobeslut

Använt på ett förnuftigt sätt förkortar ett genomiskt prioriteringsverktyg tiden mellan upptäckt och åtgärd. DTU och dess partner pekar på användningsområden som redan är bekanta för folkhälsoteam: avloppsövervakning för tidiga utbrottssignaler, screening av miljöprover från livsmedelskedjor och analys av mikrobiom från friska personer för att identifiera stammar med riskfyllda egenskaper. Om ett genom från en avloppsledning ger utslag för flera proteiner med hög påverkan, kan laboratorier tilldela odlings- och infektivitetsanalyser till det provet först, och tillsynsmyndigheter kan inleda riktad kontaktspårning eller provtagning.

Ändå beror sådana verktygs inflytande på politiken på flera operativa realiteter. För det första varierar laboratorie- och klinikalkapaciteten kraftigt mellan regioner: många folkhälsosystem saknar den högsäkerhetskapacitet och de specialtester som krävs för att bekräfta AI-flaggningar. För det andra behöver myndigheter ha förtroende för verktygets operativa egenskaper i sin lokala miljö – sensitivitet, positivt prediktivt värde och mönster för falska positiva – och det kräver oberoende valideringsdataset, inte bara det träningsset som DTU sammanställt. För det tredje måste beslutsfattare väga kostnaden för att agera på AI-ledtrådar mot de sociala och ekonomiska konsekvenserna av förhastade larm. Verktyget förkortar en tidslinje (genomisk prioritering), men det sluter inte i sig självt cirkeln från genomisk signal till effektiv intervention.

Makt, integritet och dubbel användning: vad implementeringen av en modell som bedömer det potentiella hotet avslöjar om styrning

PathogenFinder2 befinner sig i den snåriga skärningspunkten mellan förmåga och ansvar. Det finns tre risker för styrningen som förtjänar uppmärksamhet. En är lagstiftning kring integritet och datadelning: genomiska data – särskilt när de är kopplade till humana eller jordbruksrelaterade metadata – omfattas av strikta regler i många jurisdiktioner (för exempel GDPR i Europa). Gränsöverskridande dataflöden, som behövs för robust träning och utvärdering, begränsas ofta av policys. Den andra är rättvisa: välbärgade laboratorier kommer att validera AI-flaggningar snabbt; regioner med knappa resurser kan uppleva att prediktiva verktyg förstärker deras oförmåga att agera, vilket vidgar övervakningsklyftorna.

Den tredje risken är dubbel användning (dual-use). Kommentatorer har påpekat att AI-metoder kan användas för att designa eller finjustera biologiska agens. Teamet bakom PathogenFinder2 betonar tolkningsbarhet och användning för allmännyttan, men öppna, kraftfulla modeller innebär oundvikligen en avvägning mellan transparens och potentiellt missbruk. Fältet måste para ihop förmåga med skyddsåtgärder i flera lager: åtkomstkontroller för sökningar i råsekvenser, stegvis utlämnande av modellens inre delar och stark tillsyn från internationella organ som redan hanterar patogenövervakning och livsmedelssäkerhet. Utan dessa åtgärder kan ett verktyg som är avsett att minska överraskningar bli en vektor för nya risker.

Datagap och nästa bevis som verktyget behöver

Genomet är exakt; besluten som fattas kring det är det inte. PathogenFinder2 läser proteiner; huruvida institutioner läser varningarna korrekt avgör om verktyget förhindrar nästa utbrott eller bara lägger till ytterligare en instrumentpanel i en redan överfull cockpit för folkhälsan.

Källor

• Bioinformatics (tidskrift) — Florensa A. F. et al., whole‑genome prediction of bacterial pathogenic capacity using protein language models (PathogenFinder2).
• Danmarks Tekniska Universitet (DTU) — pressmaterial från DTU National Food Institute och forskargruppen för Genomic Epidemiology.
• npj Science of Food (Nature) — översiktsartikel: Advancing microbial risk assessment and detection technologies.
• Världshälsoorganisationen (WHO) — vägledande dokument som refereras för internationella ramverk för riskbedömning och datadelning.