基于深度学习和液滴微流控的无标记快速AST应用于粘菌素耐药性分析

抗菌素耐药性（AMR）严重危害人类公众健康，且带来了巨大的医疗和经济负担。AMR不断上升来源于环境赋予的选择压力，而这些压力来源可归结于以下3点：①抗生素的滥用，不遵循WHO推荐剂量；②现有抗生素的错误使用；③新药研发速度缓慢。碳青霉烯类耐药革兰氏阴性菌是国际上重点关注的耐药菌，采取的治疗方案通常用药粘菌素。随着粘菌素的不断使用，粘菌素耐药性也在不断上升，现已分离出不少耐粘菌素的碳青霉烯类耐药菌。由此，凸显了粘菌素敏感或耐药性监测的重要性。然而，当前检测粘菌素耐药性的标准方案仍然是肉汤稀释法，尽管能够提供一个直接的表型分类，不涉及到抗性机制，但操作繁琐、工作量大且耗时长，依赖于纯培养物。PCR等分子检测技术能够通过直接靶向抗性基因对粘菌素耐药性进行判断，然而，此类技术并不适用于检测新的耐药变异。为防止耐药细菌的选择和增殖，并允许在感染的早期阶段提供适当且针对性的治疗处方，迫切需要能够快速且灵敏地检测粘菌素耐药菌株的新策略。为此，Justine Riti等人基于微流体开发了一种小型粘菌素敏感性试验，用于液滴中细菌样本的培养和高通量分析，允许在单个细胞水平上获取表型信息，并提供了快速的敏感性分类。

概括地说，此研究策略可以归纳为：①细菌封装在2 nL液滴中培养，微反应体系加速细菌培养和检测；②通过直接观察液滴中细菌的增殖情况，可在2 h内实现细菌生长状况的判断；③引入深度学习，对液滴中细菌的增殖情况进行分析和统计（图1）。此实验方案不涉及到任何荧光染料，且相对于荧光标记，周期缩短3 h。不过，本研究目前处于一个模拟样本阶段，尚未测试到真实的样本。该研究创新性较强，在加速粘菌素类药物分析上具有重大意义，然而实用性还需加强试验验证。

图1 （a）封装在液滴中培养后的细菌以及卷积神经网络检测液滴内的细菌并对此进行液滴分类的工作流程。（b）卷积神经网络的结构。

原文链接：https://doi.org/10.1016/j.bios.2024.116301