鉴定完成之后，质谱数据还能做什么？

MALDI-TOF MS已经成为临床细菌快速鉴定的重要工具，但“知道是什么菌”并不等于“知道该用什么药”。铜绿假单胞菌完成鉴定后，传统药敏试验通常仍需继续等待。作者由此提出一个很直接的问题：已经产生的常规MALDI-TOF质谱中，是否还隐藏着耐药相关信息？

基于此，研究尝试把用于菌种鉴定的质谱数据再次利用：将谱图转化为机器学习可识别的特征，预测铜绿假单胞菌对抗菌药物的敏感（S）或非敏感（NS）状态。整个研究围绕“能否预测、能否简化、能否跨中心应用”展开，并进一步利用SHAP和MIC分析解释模型捕捉到了哪些信号（图1）。

图1  基于MALDI-TOF MS与机器学习的铜绿假单胞菌抗菌药物非敏感性预测流程。

一、从临床菌株中建立预测模型

研究纳入两个医院的262株非重复铜绿假单胞菌，共获得2792张MALDI-TOF质谱，经过统一的峰检测、标准化和对齐后，最终形成96个m/z特征，范围为2042–18 076 Da。训练集、内部验证集和外部验证集均按照菌株进行划分，而不是随机拆分单张质谱，从而尽量避免同一菌株的信息同时进入不同数据集（图1）。

研究根据中心1的非敏感率，将非敏感率≥12%的药物纳入建模。环丙沙星和左氧氟沙星非敏感率最高，分别为36.4%和33.7%，氨曲南为25.0%，庆大霉素、妥布霉素、头孢吡肟、头孢他啶和哌拉西林约为12%～16%。最终选择8种抗菌药物、覆盖4个药物类别进入后续分析（图2）。

图2  铜绿假单胞菌抗菌药物非敏感性分布及机器学习模型的初步性能比较。

二、不只追求“最准”，还要让模型足够简单

针对8种抗菌药物，作者分别比较RF、DT、GB、XGBoost、AdaBoost、LR、NB和LightGBM，共形成64种“算法—药物”组合。多数模型交叉验证AUC超过0.90，其中集成学习算法整体表现较好。

通过DeLong检验筛选候选模型，再通过SHAP寻找最重要的质谱特征，并逐步删除贡献较低的峰。最终，每种药物所需特征由原来的96个减少到15～29个，且预测性能没有显著下降。8个最终模型中，5种药物采用LightGBM，2种采用XGBoost，1种采用随机森林（图3）。

真正的考验来自外部验证。模型在内部验证中的AUC为0.928～0.974；换到另一家独立医院后，AUC仍达到0.841～0.936。其中哌拉西林最高，为0.936，氨曲南最低，为0.841。不同药物从内部到外部验证的性能下降幅度不同，提示模型具有初步的跨中心预测能力，但其泛化表现存在明显的药物差异（图3）。

图3  优化机器学习模型的特征筛选及预测性能评价。

三、多张谱训练，最后能否只测一张？

研究中每株菌平均获得约10张不同spot的质谱。这并不是要求未来临床也重复检测10次，而是希望模型在训练阶段充分接触结晶差异、偶发峰缺失和信号波动。这一点得到了后续分析的支持：如果从一开始每株只保留一张谱重新训练，内部和外部AUC分别下降到0.780～0.861和0.731～0.857；但先利用多谱图完成训练，再在验证阶段每株只输入一张随机谱时，AUC仍可达到0.924～0.971和0.892～0.970。也就是说，多谱图主要帮助“把模型训练稳”，真正使用时则有希望回到常规的单谱模式。

四、模型究竟捕捉到了什么？

8个最终模型共筛出71个不同的m/z特征，其中m/z 6502同时出现在全部8种药物模型中。部分重要峰还与MIC存在统计学相关，例如左氧氟沙星有19/22个入模特征与MIC显著相关，环丙沙星为21/29个；m/z 6502在5种药物中与MIC呈正相关（图4）。这些结果说明模型捕捉到的并非完全随机的信号，而可能是多个与耐药表型相关的光谱特征共同构成的模式。不过，这些峰目前仍只能称为候选光谱标志物，不能直接等同于某个耐药蛋白或具体耐药机制。

图4  机器学习模型的关键质谱特征解释及其与MIC的相关性。

五、从“能预测”到“能不能真正使用”

这项研究最大的推进，是证明了常规用于菌种鉴定的MALDI-TOF质谱，还可以进一步提供耐药相关信息，并通过外部验证、SHAP解释、特征精简和单谱应用分析，使这一思路更接近实际临床流程。

但它还不能替代标准AST：研究仅包含262株菌，部分药物的S/NS类别存在不平衡；中心差异与仪器平台差异无法完全分离；缺乏WGS等分子分型和质谱峰身份确认，正文也未实际展示AUPRC。现阶段更合适的定位，是把它作为传统药敏结果出来之前的快速辅助预测工具。

原文链接：https://doi.org/10.1093/jac/dkag259