混合感染不再糊成一团：SERS+注意力AI让病原识别与定量同步完成

尿路感染（UTI）是临床最常见的细菌感染之一，症状往往缺乏特异性，早期治疗常依赖经验性广谱用药。其中混合感染是重要且常被低估的亚型，在复杂性UTI和导尿相关UTI中发生率可显著升高，部分研究报道可达30%至86%，且多为两种病原体共存。不同菌种之间可能存在协同或拮抗等相互作用，导致毒力增强、炎症加重、疗效下降，并促进耐药产生，从而显著增加诊疗难度。因此，临床不仅需要快速判断是否为混合感染及其病原体种类，还需要进一步获得各菌相对丰度，为个体化抗菌药物选择、剂量与疗程调整提供依据。传统培养鉴定虽可靠，但周转时间长且易受先用药影响，难以满足快速决策；分子检测和测序能够加快鉴定，却常受成本、流程复杂、靶标依赖或对混合样本定量能力不足等限制。表面增强拉曼光谱（SERS）具有无标记、快速和可同时获取多组分“指纹”信息的优势，理论上适用于混合病原检测，但仍面临基底重现性不足、复杂光谱难以解析，以及算法结果缺乏可解释性和比例定量能力等瓶颈。

基于此，本研究提出了一种无标签、可解释的SERS-AI平台，通过构建正电Au@Ag@bPEI核壳SERS纳米基底，使其与细菌表面负电特性产生静电吸附，从尿液等复杂基质中实现细菌的快速富集与稳定增强信号采集，从而获得可用于分析的SERS“指纹”光谱。如图1所示，Zeta电位由负转正表明bPEI修饰成功，为电荷驱动的细菌富集提供了基础。然而，对于混合样本，获得的SERS光谱同时包含共享峰与物种特异峰，不同类别间仍存在显著谱峰重叠，部分混合谱甚至与单菌谱高度相似，表明仅依赖人工挑峰或简单规则难以实现可靠鉴定，从而强调了引入深度学习进行判别与解析的必要性。基于此，作者进一步引入了CNN+CBAM注意力模型对SERS光谱进行端到端学习，通过注意力机制强化关键谱段，实现16类单菌/混菌的准确分类。训练曲线显示模型收敛稳定，在测试集上总体准确率达95.8%，平均AUC为0.9774且各类AUC均>0.90（图2）。这一高性能并非“黑箱”记忆，相反，CBAM将原本重叠的拉曼簇逐步拉开，增强类间距离。同时，注意力机制主要聚焦于655、725-732 cm⁻¹等与毒力相关蛋白结构及核酸/代谢活动密切相关的关键谱段，并在959 cm⁻¹等与核酸或蛋白合成相关区域呈现增强响应。换言之，模型正是通过放大“有生物学意义”的谱段、抑制冗余噪声，才在保持高准确率的同时，给出了可解释的决策依据，为临床落地提供了信任基础（图3）。

进一步，作者针对临床尿路感染7种主要病原菌：大肠杆菌、肺炎克雷伯菌、粪肠球菌、屎肠球菌、铜绿假单胞菌、奇异变形杆菌和鲍曼不动杆菌，基于回顾性分析筛选出9种高频二元混合菌组合，并在每一组内设置从纯单菌到不同比例混合的梯度（例如10:0、9:1、7:3、5:5、3:7、1:9、0:10），以构建比例定量数据集。结果如图4显示，预测值与真实比例几乎落在y=x对角，R²=0.9112，，且在极端比例时更准确，在中间比例存在轻微偏差但仍处于可接受范围，表明所建立模型具备对混合样本细菌组成进行可靠比例定量的能力。进而，作者将平台用于临床样本验证：首先对26份患者中段尿样进行细菌鉴定。如图5所示，平台整体分类准确率86.9%，各混合感染亚型的分类准确率均超过80%；另取9份混合感染尿样用于比例预测验证，以血琼脂与麦康凯平板培养的菌落生长作为参考，模型获得R²=0.8626，MAE=0.0485。由此说明该平台在真实尿液基质中仍具有较好的鉴定与定量能力，为快速判断混合感染及其优势菌提供了方法学支撑。

总之，本研究建立了无标记、可解释的SERS-AI诊断框架，通过正电Au@Ag@bPEI核壳基底实现细菌静电捕获与稳定SERS信号获取，并结合CNN+CBAM同时完成混合UTI病原体分类与相对丰度定量，且借助注意力可视化定位具有生物学意义的关键谱段，从而在保证性能的同时提升可信度，并有望缩短较传统培养更长的诊断周期。其优势在于“识别+定量”一体化与临床尿液验证所体现的转化潜力，但目前主要覆盖有限菌谱与二元混合组合，临床样本量也相对有限，仍需扩展至更复杂多菌体系并开展更大规模、多中心验证，同时进一步优化样本前处理与便携化集成。

图1  Au@Ag@bPEI 纳米颗粒的合成与表征及单菌/混合菌的SERS指纹谱。（A）纳米粒子（NPs）的三步合成示意图。（B）Zeta电位分析，在bPEl修饰后，表面电荷从-28.8 mV转变为+16.5 mV。（C）HR-TEM图像显示Au@Ag核壳结构。（D）EDS元素映射证实Au/Ag分布并验证bPEI表面修饰（N元素信号）。（E）600–1800 cm⁻¹范围内单一和混合致病菌的拉曼光谱指纹图谱。

图2  CNN+CBAM模型对单菌及混合致病菌SERS光谱的分类性能。（A）CNN+CBAM网络结构示意图，用于对SERS光谱进行端到端分类。（B）训练/测试集在50个epoch内的准确率（上）与损失（下）变化曲线。（C）测试集混淆矩阵（总体准确率95.8%）。（D）各类别ROC曲线及AUC（含宏平均与单类别结果）。

图3  CNN+CBAM模型的可解释性分析。（A）PCA逐层投影显示CBAM显著增强类间分离；（B）Grad-CAM热图证实注意力锁定655、725-732、959 cm⁻¹等毒力蛋白与核酸特征峰，实现机制透明的混合菌精准识别。

图4  二元混合样本中细菌比例真实值与预测值的对比。散点图展示不同细菌配对中各物种的真实比例与模型预测比例：（A）鲍曼不动杆菌:肺炎克雷伯菌；（B）大肠埃希菌:肺炎克雷伯菌；（C）铜绿假单胞菌:肺炎克雷伯菌；（D）大肠埃希菌:粪肠球菌；（E）大肠埃希菌:奇异变形杆菌；（F）肺炎克雷伯菌:铜绿假单胞菌；（G）肺炎克雷伯菌:奇异变形杆菌；（H）肺炎克雷伯菌:屎肠球菌；（I）铜绿假单胞菌:粪肠球菌。结果表明该模型可基于光谱特征对混合样本中的细菌组成进行准确的比例定量。

图5  基于SERS-AI的真实尿样多菌UTI诊断：分类与组成定量。（A）UTI样本的端到端检测流程示意图（尿样处理、SERS采集与CNN+CBAM预测）。（B）真实尿样测试集混淆矩阵，CNN+CBAM分类准确率为86.9%。（C）多菌UTI中各细菌相对丰度的预测值与参考值对比散点图（R² = 0.8626）。

原文链接：https://doi.org/10.1002/advs.202513502