核心提示:生物膜由粘附在非生物表面的病原菌和紧密包裹在病原体内部的自分泌粘性胞外多糖(EPS)组成。EPS保护病原体免受免疫防御和抗生素的攻击。
据美国国立卫生研究院报道,致病性生物膜分别占所有微生物感染和慢性感染的65%和80%。生物膜由粘附在非生物表面的病原菌和紧密包裹在病原体内部的自分泌粘性胞外多糖(EPS)组成。EPS保护病原体免受免疫防御和抗生素的攻击。此外,生物膜中的病原体可以通过质粒交换共享耐药基因。与浮游病原体相比,这些特征使生物膜中的病原体在临床上对抗生素的耐药性高出1000倍。为了对抗生物膜感染,量身定制的疗法是必不可少的,因为只有在医生确定病原体种类后才能制定最有效的疗法。然而,复杂的生物膜基质使生物膜感染在临床诊断中具有挑战性。由于EPS难以穿透,EPS可以阻止抗体等靶向分子标记内部病原体,使常规的基于抗体的检测无效。基于PCR的方法在病原体鉴定中显示出良好的可靠性。然而,EPS难以裂解,核酸在苛刻的裂解物中容易裂解,导致PCR生物膜检测出现假阳性或假阴性结果。因此,开发快速可靠地鉴定生物膜的方法对于生物膜感染的诊断和治疗至关重要。
EPS主要由多糖、蛋白质、核酸和脂类组成。EPS的化学成分因生物膜而异,生物膜显示出不同的物理化学性质,例如电荷和亲水性。因此,即使在没有任何特定化学或生物靶标相关知识的情况下,通过指纹物理化学特性识别生物膜也是有希望的。通过多重测量EPS的指纹物理化学特性来定义生物膜的特征,可以实现可靠的生物膜识别。考虑到EPS的物理化学性质可能会受到当地生长环境的影响,应测量大量生物膜样本,以增加效应量和生物膜指纹数据的准确性。因此,具有内置数据处理能力的多重检测是快速可靠的生物膜识别的理想选择。
机器学习提供了一种非常有效的工具,通过使用一组计算算法来解析大量数据。本研究报告了一种机器学习辅助鸡尾酒测定法,用于通过指纹物理化学特性的多重测量来识别生物膜。通过合理设计鸡尾酒试剂盒中纳米探针的电荷和亲水性,可以获得生物膜的指纹理化特性,用于可靠的生物膜鉴定。静电和疏水-疏水相互作用被证实主导纳米探针与生物膜的结合。致病性临床分离株和生物膜亚型的未知生物膜均采用随机森林算法进行鉴定,总体准确率超过80%。此外,载有抗生素的纳米探针显示出超过75%的抗菌效率,是单一抗生素的两倍。
参考文献:Jie Wang, Zhuoran Jiang, Yurong Wei, Wenjie Wang, Fubing Wang, Yanbing Yang, Heng Song, and Quan Yuan. Multiplexed identification of bacterial biofilm infections based on machine-learning-aided lanthanide encoding. ACS nano, 2022, 16(2): 3300-3310.