新的人工智能方法更准确地检测耐药性基因标记

耐药性感染——尤其是由结核杆菌和金黄色葡萄球菌等致命细菌引起的感染——正在成为全球性的健康危机。这些感染更难治疗，通常需要更昂贵或毒性更大的药物，并且导致住院时间延长和死亡率升高。根据世界卫生组织的数据，仅在2021年，就有45万人患上了多药耐药性结核病，治疗成功率下降到只有57%。

现在，图兰大学的科学家们开发了一种新的基于人工智能的方法，能够更准确地检测结核分枝杆菌和金黄色葡萄球菌中的抗生素耐药性基因标记，这可能会带来更快和更有效的治疗方法。

图兰大学的一项研究介绍了一种新的群体关联模型（GAM），该模型使用机器学习来识别与耐药性相关的基因突变。与传统工具不同，GAM不依赖于对耐药机制的先验知识，使其更加灵活，能够发现以前未知的基因变化。

该论文发表在《自然通讯》杂志上。

目前，世界卫生组织等组织使用的耐药性检测方法要么耗时过长（如培养基测试），要么遗漏了罕见突变（如某些DNA测试）。图兰大学的模型通过分析全基因组序列并比较具有不同耐药模式的细菌菌株群组，解决了这两个问题，从而找到可靠指示特定药物耐药性的基因变化。

“可以将其视为利用细菌的整个基因指纹来揭示其对抗生素免疫的原因，”资深作者、生物技术创新韦瑟黑德总统讲席教授兼图兰细胞与分子诊断中心主任Tony Hu博士说。“我们实际上是教计算机识别耐药模式，而不需要我们首先指出它们。”

在研究中，研究人员将GAM应用于超过7,000株结核分枝杆菌和近4,000株金黄色葡萄球菌，识别出与耐药性相关的关键突变。他们发现，GAM不仅匹配或超过了世界卫生组织耐药性数据库的准确性，还大幅减少了假阳性，即错误识别的耐药性标记，这些标记可能导致不适当的治疗。

“目前的基因测试可能会错误地将细菌分类为耐药性，从而影响患者护理，”图兰大学细胞与分子诊断中心的研究生、第一作者Julian Saliba说。“我们的方法提供了更清晰的图像，显示哪些突变实际上导致了耐药性，减少了误诊和不必要的治疗变更。”

当结合机器学习时，即使在数据有限或不完整的情况下，预测耐药性的能力也得到了提高。在中国临床样本的验证研究中，增强的机器学习模型在预测一线抗生素耐药性方面优于基于世界卫生组织的方法。

这一点非常重要，因为早期发现耐药性可以帮助医生在感染扩散或恶化之前制定正确的治疗方案。

该模型无需专家定义的规则就能检测耐药性，这也意味着它有可能应用于其他细菌，甚至在农业中，那里作物中的抗生素耐药性也是一个问题。

“我们必须走在不断演变的耐药性感染之前，”Saliba说。“这个工具可以帮助我们做到这一点。”

(全文结束)