深度学习结合微流控技术革新抗生素敏感性检测，2小时内快速锁定耐药性

    一、技术核心：三大创新技术协同发力：

1.  微流控液滴平台——单细胞级高通量培养：研究团队设计了一种高通量微流控芯片，每秒可生成数千个皮升（picoliter）级液滴，每个液滴封装单个细菌细胞。这种“微型培养皿”不仅大幅减少试剂用量，还能并行测试多种抗生素浓度，同时避免传统培养中细胞群体的异质性干扰，精准捕捉耐药性个体差异（如异质性耐药）。

2.  角分辨光散射成像（ARS）——无标记实时监测：ARS技术通过分析激光与液滴中细菌相互作用后的散射光角度分布，获取细胞浓度与形态信息。与传统显微镜仅聚焦单一焦平面不同，ARS可瞬间扫描整个液滴的三维空间，灵敏度极高。实验显示，ARS对低至1个细菌的液滴也能检测到光散射信号，且不受液滴流动影响，解决了传统成像因运动模糊导致的信号丢失问题。

3.  深度学习模型——从复杂图像中提取关键特征：研究采用EfficientNetV2卷积神经网络架构，训练模型从ARS图像中预测细菌光密度（OD）。针对金黄色葡萄球菌（革兰氏阳性）和大肠杆菌（革兰氏阴性）的不同形态，分别构建专用回归模型。模型分析速度达每秒19.2帧，可在数分钟内处理数千液滴数据，准确区分“空液滴”与“生长液滴”，并量化抗生素抑制效果。

图 1.： a） 工作流程示意图。i） 基于激光的传感器，用于对微流体芯片中皮升大小的液滴进行角度分辨散射光 （ARS） 成像。ii） 流经微流体通道的液滴的 ARS 成像。iii） 使用卷积神经网络 （CNN） 分析 ARS 图像。预测的 OD 作为输出给出，因此可以确定液滴内的细胞是否生长。当存在抗生素时，可以确定菌株对该抗生素的敏感性。b） 显示了示例 ARS 图像。直接透射的光线被阻挡（图像中心的深蓝色点）。水滴本身会在图像中心周围（以小角度）产生高光强度。为简单起见，不显示角度网格。细胞浓度低的液滴会导致透明环。较高的细胞浓度会导致斑点环。细胞越多，产生的斑点密度就越高。

二、实验结果：速度与精度的双重飞跃

1. 生长检测时间显著缩短

对单细胞液滴的监测显示，大肠杆菌在1小时、金黄色葡萄球菌在2小时内即可检测到显著生长（OD值超过阈值）。相比之下，传统亮场成像需3小时才能达到相同灵敏度。

图 2.： a） 金黄色葡萄球菌生长实验超过 5 小时的示例图像。起始 OD = 0.003。液滴在 37 ◦ C. b） 每个时间点的预测 OD > 0.15。c） 金黄色葡萄球菌在时间点 t 的生长大于 t = 0 的概率。显著性限由方程 1 给出，并使用方程 S1 和 S2 进行计算。为了清楚地显示数据点，在图中添加了 x 抖动。（p（G（t） > G（0）∣ARS1） x 抖动 = 0， （p（G（t） > G（0）∣ARS2） x 抖动 = 0.03， （p（G（t） > G（0）∣ARS3） x 抖动 = 0.06）

图 3.： a） 大肠杆菌生长实验超过 5 小时的示例图像。起始 OD = 0.003。液滴在 37 ◦ C. b） 每个时间点的预测 OD > 0.15。c） 时间点 t 的大肠杆菌生长大于 t = 0 时的概率。显著性限由方程 1 给出，并使用方程 S1 和 S2 进行计算。为了清楚地显示数据点，在图中添加了 x 抖动。（p（G（t） > G（0）∣ARS1） x 抖动 = 0， （p（G（t） > G（0）∣ARS2） x 抖动 = 0.03， （p（G（t） > G（0）∣ARS3） x 抖动 = 0.06）

 2. 抗生素敏感性快速判定

以四环素（TET）为例，将不同浓度抗生素与金黄色葡萄球菌共封装后，ARS平台在2小时内明确区分了敏感与耐药菌株：0.5 μg/mL TET完全抑制生长，0.1 μg/mL显著抑制，而0.03 μg/mL无影响。结果与标准微培养实验高度一致（p<0.001），验证了平台的可靠性。

 3. 单细胞级分辨率揭示异质性耐药

液滴的单细胞封装特性使平台能够检测到极少数耐药细胞的存在，这对早期发现异质性耐药（如耐甲氧西林金黄色葡萄球菌，MRSA）具有重要意义，而传统批量培养可能因信号稀释而遗漏此类关键信息。

 三、技术优势：为何比现有方法更快更准？

1. 无标记检测，避免干扰：ARS无需荧光染料或探针，减少对细菌活性的影响，适用于多种菌种。
2. 高通量并行分析：每小时可检测数万液滴，支持多抗生素-浓度组合同步测试。
3. 深度学习赋能：CNN自动提取散射图像特征，克服传统方法依赖人工设定参数的局限性，提升分析效率与一致性。
4. 临床兼容性：未来结合自动化样本前处理（如血液分离），可直接用于复杂临床样本的快速AST。

 四、未来展望：从实验室到临床的挑战与机遇

尽管该技术展现出巨大潜力，研究者指出仍需解决以下问题：

• 多重抗生素测试扩展：当前实验仅验证单一抗生素，需开发多通道微流控芯片以实现多重检测。
• 临床样本验证：实际样本中可能存在杂质或混合菌群，需优化液滴封装前的细胞分离与纯化步骤。
• 模型泛化能力：针对形态差异显著的病原体（如真菌），需重新训练CNN模型以保障通用性。

研究团队计划进一步探索该平台在稀有微生物检测、药物筛选及细菌形态动态监测中的应用。例如，结合ARS对细胞结构的敏感性，未来或可同步评估抗生素对细菌形态的影响，为作用机制研究提供新工具。 

五、结语：改写感染性疾病诊疗的时间线

这项研究标志着抗生素敏感性检测迈入“小时级”时代。通过微流控、光学传感与人工智能的深度融合，临床医生有望在患者就诊初期即获得精准的耐药性数据，避免广谱抗生素的盲目使用，从而遏制耐药性蔓延。随着技术优化与临床转化，这一平台或将成为感染性疾病个性化治疗的核心工具，为全球抗微生物耐药（AMR）行动注入关键动力。

参考文献

原文链接: https://doi.org/10.1016/j.snb.2024.136866