从“指纹”读懂耐药：机器学习解析铜绿假单胞菌生物膜的抗生素敏感性

临床常规AST多在悬浮或平板菌落上完成，只能反映浮游细胞对药物的敏感性，而囊性纤维化（CF）患者气道内的铜绿假单胞菌多以生物膜形式存在，其耐受水平往往远高于浮游状态，因此常规MIC很难预测治疗效果。为缩小这一“体内外落差”，本研究（如图1所示）构建了一个贴近CF肺部环境的实验进化+多模态表征+机器学习预测的整体框架，以试图在不依赖传统耗时生物膜药敏试验的前提下，实现对铜绿假单胞菌生物膜药物敏感性的快速、定量预测。

作者在模拟CF痰液的SCFM2培养基中建立生物膜实验进化体系：从6株参考/临床菌株出发，在96孔板中反复培养生物膜微团，一部分谱系每轮暴露于妥布霉素，另一部分作为未暴露对照，经过多轮传代获得覆盖不同敏感性梯度的演化谱系，并分别测定传统条件下的MIC（最低抑菌浓度）以及SCFM2生物膜模型中的BPC（生物膜抑制浓度），用以量化浮游状态和生物膜状态的药物敏感性梯度。在获得这一系列表型差异明确的菌株资源后，研究者引入四种互补的检测技术采集“机器学习友好”的高维指纹数据：

WGS描述演化过程中积累的基因组变异；

MALDI-TOF记录蛋白/多肽水平的整体表达图谱；

IMC在无药条件下连续测量生物膜的产热曲线，反映代谢动力学；

多激发拉曼光谱刻画整体分子组成特征。

基于上述每一类数据，分别构建有序回归模型，对各谱系的妥布霉素MIC和BPC进行直接预测，并与“随机预测”基线进行比较。结果表明：所有数据源都包含与药敏相关的信号，模型性能整体均明显优于随机。其中，MALDI-TOF在MIC准确率上最突出，而785 nm拉曼在MIC的排序能力（C-index）上略占优势；对BPC的预测则以532 nm拉曼最佳，WGS、IMC、785 nm拉曼和MX-Raman表现相近，MALDI-TOF在生物膜BPC上相对较弱（图2）。总体上，浮游状态的MIC比生物膜BPC更容易从多模态指纹中捕捉出来，提示生物膜耐受涉及更复杂的生理和结构因素。

在此基础上，作者将在实验进化菌株上训练好的模型迁移应用到CF患者的临床铜绿假单胞菌分离株上，检验其在真实临床菌株上的泛化能力。结果显示，不同技术在“训练集为实验进化谱系、测试集为临床分离株”的情境下表现差异明显：在MIC预测方面，只有IMC和MALDI-TOF在准确率和C-index两项指标上同时超过随机基线，其中IMC最为稳健；在BPC预测方面，则只有IMC在精度和排序能力上都显著优于随机，是唯一在临床菌株上仍能可靠捕捉生物膜耐受梯度的技术（图3）。这说明代谢热流曲线中蕴含的动力学信息，对跨数据集、跨菌株的生物膜耐受预测尤其有价值。

作者进一步将所有菌株的MIC与BPC进行整体关联分析，发现两者虽呈显著正相关，但同一MIC等级下对应的BPC范围很宽：浮游状态下“同一敏感度”的菌株，在生物膜状态下可能具有完全不同的耐受水平（图4）。该结果直接支持了一个重要结论：不能依赖MIC来替代专门的生物膜敏感性指标（如BPC），需要为生物膜建立独立、可量化的耐药评估与预测体系。另外，研究结合WGS变异信息与机器学习模型学习到的基因系数，筛选出与MIC/BPC提升高度相关的候选基因，如代谢调控因子和与膜结构或信号通路相关的基因，并对其中部分基因进行了功能验证，为理解铜绿假单胞菌生物膜耐药机制提供了新的线索。

最后，作者基于构建的SCFM2生物膜实验进化体系（图5）为上述关联分析和多模态建模提供了坚实的实验平台支撑。通过在模拟CF痰液环境的培养体系中反复培养生物膜微团、施加妥布霉素选择压力或维持无药对照，并在各轮循环中持续传代、监测存活菌量和保存菌株，该模型不仅能够稳定地产生覆盖广泛耐药/耐受梯度的谱系集合，还能在高度可重复的条件下采集后续WGS、质谱、微量热与拉曼等多模态数据。与传统一次性生物膜药敏实验相比，这种循环式、可扩展的进化框架，更接近慢性感染中“长期用药—持续适应—逐步耐受”的真实过程，使得本研究关于MIC/BPC关系、多模态预测性能及候选耐药机制的结论具有更强的生理相关性和可推广性，也为未来在其他病原体和药物上复制类似“生物膜进化+机器学习预测”的研究路径提供了范式。

总体而言，这项工作在一个生理相关性更高的CF样生物膜模型中，结合实验进化、多模态指纹检测与有序回归机器学习，系统评估了多种技术在预测铜绿假单胞菌妥布霉素MIC和生物膜BPC方面的潜力，并通过临床分离株验证和候选基因挖掘，构建了从“模型构建—性能评估—机制线索”的完整闭环。它的局限在于目前只考察单一菌种和单一抗生素，样本量有限，部分检测平台尚未普及到常规实验室，但作为方法学示范，为未来在更多病原体和真实临床场景下发展“面向生物膜的快速AST”提供了重要思路和起点。

图1  基于实验进化与多模态表征的铜绿假单胞菌生物膜药敏预测流程示意图。

图2  基于不同分析技术的机器学习药敏预测性能比较。(a)各分析技术在预测妥布霉素MIC及其±1稀释度范围时的准确率与C-index表现；(b)各分析技术在预测BPC及其±1稀释度范围时的表现。方形为严格预测（MIC或BPC），圆点为允许误差±1个两倍稀释度的预测结果，蓝色线条标示随机预测的基线水平。

图3  基于实验进化菌株训练并在临床分离株上验证的机器学习模型性能。散点图展示不同分析技术在CF患者临床铜绿假单胞菌分离株上预测妥布霉素MIC（a）和BPC（b）的表现。方形为严格预测值，圆点为允许±1个两倍稀释度误差的预测结果。蓝色虚线和实线表示随机预测下的准确率、准确率±1及C-index/C-index±1基线。

图4  妥布霉素MIC与生物膜BPC的相关性。XY散点图展示本研究所有菌株（野生型、实验进化株及CF临床分离株）的妥布霉素MIC（在MH肉汤中测定）与BPC（在SCFM2生物膜模型中测定）之间的关系，整体呈显著正相关，但同一MIC对应的BPC范围较宽，提示仅依赖MIC难以准确推断生物膜耐受水平。

图5  SCFM2中铜绿假单胞菌生物膜实验进化模型示意图。在SCFM2中将铜绿假单胞菌接种于96孔板，培养24 h形成悬浮生物膜微团后，分别给予妥布霉素或新鲜SCFM2继续培养，再破碎生物膜、取部分菌悬液接种过夜培养开启下一轮循环；每轮通过TSA平板计数存活菌数，并将样本于−80 ℃保存。

原文链接：https://doi.org/10.1038/s41522-025-00833-4