人工智能帮助预测耐药性超级细菌

在近一项研究中，杜克大学的生物医学工程师已经表明，可以通过对细菌的生长动态进行机器学习分析来区分不同菌株，然后可以准确地预测其他特征，例如对抗生素的抵抗力。该技术具有比当前标准技术更快，更简单，更便宜，更准确的识别疾病和预测菌株行为的优点。
在微生物学的研究历史中，细菌鉴定都依赖于生长的培养物并分析所得细菌菌落的物理特性和行为。直到近，科学家才可以简单地进行基因测试。
 

然而，基因测序并不是普遍的，通常可能需要很长时间。即使具有对整个基因组进行测序的能力，也可能很难将特定的遗传变异与不同行为特征联系起来。

例如，即使研究人员已经揭示了保护细菌免受β-内酰胺类抗生素（世界上用的抗生素）杀伤的遗传突变，但并不足以解释全部的现象。例如，在某些情况下，尽管单一的细菌通常无法抵抵抗抗生素杀伤，但形成数量庞大的菌落之后则可能有效抵抗。

对此，杜克大学生物医学工程系教授Lingchong You和他的研究生Carolyn Zhang希望找到更加准确的检测手段，从而放大一个特定的菌株生物学特征，并不仅用于鉴定病原体，还可以对其他特征（例如抗生素抗性）做出有根据的猜测。

“我们认为细菌菌株之间基因的微小差异可能对其代谢产生微妙的影响。但是因为细菌的生长是指数增长的，所以这种微妙的作用可以被放大到足以让我们利用。”

细菌培养物在实验室中生长的速度取决于其所生长的培养基的丰富程度及其化学环境。但是随着数量的增长，细菌会消耗营养并产生化学副产物。即使不同的菌株在*相同的环境条件下开始，随着时间的流逝，它们在生长和影响周围环境方面的细微差别也会累积。
 
在这项研究中，作者检测了200多种细菌病原体菌株，其中大多数是大肠杆菌的变异体，首先作者将它们置于相同的生长环境中，并随着细菌数量的增加仔细测量了它们的种群密度。由于它们之间存在细微的遗传差异，这些培养物具有彼此*的时间波动模式。然后，研究人员将生长动力学数据输入到机器学习程序中，该程序可自学识别和匹配不同菌株的生长曲线。

“仅使用一个初始条件下的生长数据，该模型就可以识别出特定菌株，准确率超过92％。当我们使用四种不同的起始环境时，该准确性提高到了约98％。”

进一步，作者希望了解是否可以使用生长动态图谱来预测抗生素抗性。

研究人员再次加载了一个机器学习程序，其中包含除了一种菌株之外的所有菌株的生长动态特征，以及有关它们对四种不同抗生素的抗性的数据。然后，他们进行了测试，看看生成的模型是否可以根据其生长情况预测终菌株的抗生素抗性。为了扩大其数据集，他们对所有其他菌株重复了此过程。

结果表明，仅生长动态图就能成功预测菌株对抗生素的抗性。

尤说：“我们的技术相比文献中的某些技术相当或更好，尽管这只是原理上的证明。我们相信，在有了更高分辨率的增长动态数据之后，我们可以做得更好。”

研究人员还试图证明具有相似生长曲线的菌株是否也具有相似的遗传特征。事实证明，两者是*不相关的，再次证明了将细胞特征和行为映射到特定DN段有多么困难