看光谱读耐药：多激发拉曼联手机器学习解析铜绿假单胞菌抗性密码

抗菌药物耐药已被公认为当前最为严峻的全球公共卫生挑战之一。传统药物敏感性试验高度依赖细菌培养，通常需要48小时甚至更长时间方能获得结果。在此期间，临床医生往往只能依据经验进行经验性用药，易造成抗菌药物的不合理使用，既加重耐药菌株的选择压力，也增加了患者住院时间与医疗负担。尽管核酸扩增、全基因组及宏基因组测序、免疫芯片、质谱分析以及微流控平台等多种新型诊断技术不断涌现，但在复杂临床样本中同时实现病原体的快速、准确鉴别与耐药谱判定，仍面临检测成本高、专业要求高及流程相对复杂等现实限制。拉曼光谱技术为解决上述问题提供了另一类思路：通过检测细菌分子振动模式，几乎在无需复杂前处理和标记的条件下，即可获得反映菌种差异、代谢状态乃至部分表型特征的“光谱指纹”。然而，传统单一激发波长的拉曼光谱在信号灵敏度、特异性以及对复杂表型差异的分辨能力方面仍存在局限。为此，作者团队此前提出“多激发拉曼光谱”（MX-Raman）概念，通过采用多种激光波长对同一样本进行激发，获得互补的光谱信息，并在人工痰基质模型中证实该策略有助于提高细菌鉴别特异性，同时也曾将拉曼光谱与全基因组测序相结合，用于辅助耐药性分析。

本研究在这一前期工作的基础上，进一步面向临床实际需求，选取20株来源于呼吸道感染患者的铜绿假单胞菌临床分离株作为研究对象。在统一培养条件下，分别采用532 nm和785 nm两种激光波长采集单细胞拉曼光谱，构建双波长“光谱指纹库”；同时依据EUCAST标准完成头孢他啶、环丙沙星、亚胺培南和妥布霉素四种抗生素的药敏试验，为每株菌建立对应的敏感/耐药表型标签（图1）。由此形成了一个将拉曼光谱信息与耐药谱一一对应的临床菌株数据集，为引入机器学习方法开展菌株识别及耐药表型预测奠定了数据基础。

围绕该数据集，作者重点回答两个核心问题：其一，多激发拉曼光谱能否在菌株层面优于单一波长，实现对临床铜绿假单胞菌分离株的准确区分；其二，是否可以在无需基因组或分子检测的情况下，直接基于拉曼光谱预测菌株对特定抗生素的敏感或耐药表型。为确保结论的稳健性，研究系统比较了九种常用机器学习模型，并分别在532 nm单激发、785 nm单激发及二者拼接的多激发数据集上进行训练与交叉验证。结果显示，多激发拉曼在菌株分类与耐药表型预测两类任务中均表现出整体优于任一单一波长的数据质量和模型性能，其中以支持向量机（SVM）最为稳定（图2＆图3）。值得注意的是，多激发方案的优势并非仅体现在总体指标的提升，而是在多数菌株及“菌株–抗生素”组合上均能获得更高且更为一致的预测准确性，仅少数本身难以区分的菌株在三种数据集上的表现均相对有限。

综上，本研究建立并验证了一条以多激发拉曼光谱为核心信息载体、结合机器学习实现快速耐药判定的可行路径。多波长激发在不增加样本处理复杂度的前提下，有效拓展了光谱信息维度，使模型能够捕捉与菌株特异性及耐药机制相关的细微差异，从而在同一框架下完成菌株身份与耐药表型的联合判别。由此形成的技术路线为构建面向临床现场的快速、无标记、具有良好可扩展性的耐药诊断平台提供了明确方向。随着未来纳入更大规模的菌株队列和更多病原种类，并与常规药敏及基因组检测结果进行系统整合，此类“多激发拉曼 + 机器学习”的策略有望在个体化抗菌治疗决策和抗菌药物管理中发挥切实的辅助价值。

图1  20株临床铜绿假单胞菌多激发拉曼光谱库及其对四种抗生素的敏感性分布

图2  单激发与多激发拉曼光谱在20株临床铜绿假单胞菌菌株鉴别中的分类性能对比 

图3  单激发与多激发拉曼光谱在20株临床铜绿假单胞菌抗生素敏感性分类中的准确度比较

原文链接：https://doi.org/10.1038/s44259-025-00141-z