2020年8月6日訊/生物谷BIOON/---在最近一項研究中，杜克大學的生物醫學工程師已經表明，可以通過對細菌的生長動態進行機器學習分析來區分不同菌株，然後可以準確地預測其他特徵，例如對抗生素的抵抗力。該技術具有比當前標準技術更快，更簡單，更便宜，更準確的識別疾病和預測菌株行為的優點。
相關結果於8月3日在線發表在《PNAS》雜誌上。
在微生物學的研究歷史中，細菌鑑定都依賴於生長的培養物並分析所得細菌菌落的物理特性和行為。直到最近，科學家才可以簡單地進行基因測試。
（圖片來源：Www.pixabay.com）
然而，基因測序並不是普遍的，通常可能需要很長時間。即使具有對整個基因組進行測序的能力，也可能很難將特定的遺傳變異與不同行為特徵聯繫起來。
例如，即使研究人員已經揭示了保護細菌免受β-內醯胺類抗生素（世界上最常用的抗生素）殺傷的遺傳突變，但並不足以解釋全部的現象。例如，在某些情況下，儘管單一的細菌通常無法抵抵抗抗生素殺傷，但形成數量龐大的菌落之後則可能有效抵抗。
對此，杜克大學生物醫學工程系教授Lingchong You和他的研究生Carolyn Zhang希望找到更加準確的檢測手段，從而放大一個特定的菌株生物學特徵，並不僅用於鑑定病原體，還可以對其他特徵（例如抗生素抗性）做出有根據的猜測。
「我們認為細菌菌株之間基因的微小差異可能對其代謝產生微妙的影響。但是因為細菌的生長是指數增長的，所以這種微妙的作用可以被放大到足以讓我們利用。」
細菌培養物在實驗室中生長的速度取決於其所生長的培養基的豐富程度及其化學環境。但是隨著數量的增長，細菌會消耗營養並產生化學副產物。即使不同的菌株在完全相同的環境條件下開始，隨著時間的流逝，它們在生長和影響周圍環境方面的細微差別也會累積。
在這項研究中，作者檢測了200多種細菌病原體菌株，其中大多數是大腸桿菌的變異體，首先作者將它們置於相同的生長環境中，並隨著細菌數量的增加仔細測量了它們的種群密度。由於它們之間存在細微的遺傳差異，這些培養物具有彼此獨特的時間波動模式。然後，研究人員將生長動力學數據輸入到機器學習程序中，該程序可自學識別和匹配不同菌株的生長曲線。
「僅使用一個初始條件下的生長數據，該模型就可以識別出特定菌株，準確率超過92％。當我們使用四種不同的起始環境時，該準確性提高到了約98％。」
進一步，作者希望了解是否可以使用生長動態圖譜來預測抗生素抗性。
研究人員再次加載了一個機器學習程序，其中包含除了一種菌株之外的所有菌株的生長動態特徵，以及有關它們對四種不同抗生素的抗性的數據。然後，他們進行了測試，看看生成的模型是否可以根據其生長情況預測最終菌株的抗生素抗性。為了擴大其數據集，他們對所有其他菌株重複了此過程。
結果表明，僅生長動態圖就能成功預測菌株對抗生素的抗性。
尤說：「我們的技術相比文獻中的某些技術相當或更好，儘管這只是原理上的證明。我們相信，在有了更高解析度的增長動態數據之後，我們可以做得更好。」
研究人員還試圖證明具有相似生長曲線的菌株是否也具有相似的遺傳特徵。事實證明，兩者是完全不相關的，再次證明了將細胞特徵和行為映射到特定DNA片段有多麼困難。（生物谷 Bioon.com）
資訊出處：AI may offer a better way to ID drug-resistant superbugs原始出處：Carolyn Zhang, Wenchen Song, Helena R. Ma, Xiao Peng, Deverick J. Anderson, Vance G. Fowler, Joshua T. Thaden, Minfeng Xiao, Lingchong You.
Temporal encoding of bacterial identity and traits in growth dynamics. Proceedings of the National Academy of Sciences,2020; 202008807 DOI: 10.1073/pnas.2008807117