近日，杜兰大学Tony Hu教授团队在Nature Communications发表了一项重要研究，题为：
Enhanced diagnosis of multi-drug-resistant microbes using group association modeling and machine learning研究介绍了一种组关联模型 （Group Association Model，GAM） 的耐药基因识别方法。该方法能够精准识别与耐药性相关的基因变异，并有效减少传统全基因组关联研究（GWAS）可能导致的假阳性交叉耐药性假象，而无需依赖先验知识。此外，该研究结合机器学习（ML）优化 GAM，提高了小型或不完整数据集的预测准确性。
GAM突破传统耐药性预测限制
微生物耐药性主要由突变、水平基因转移以及抗生素滥用等因素驱动，导致常用抗生素的治疗效果下降。现有耐药性检测方法存在诸多局限性：培养法需在不同抗生素浓度下培养微生物，耗时长且操作繁琐，尤其对于生长缓慢的细菌；分子检测（PCR 和微阵列技术）虽然可以快速检测已知耐药基因，但难以发现新型或罕见耐药突变；DNA 测序可检测新突变，但依赖现有突变数据库，存在假阳性和假阴性问题；GWAS虽然在识别与特定耐药表型相关的突变方面取得一定成果，但在分析多重耐药表型时存在局限性。
GAM 采用系统化统计分析策略，从群体、基因和突变层次筛选并识别与耐药性相关的基因变异。在群体水平，研究者根据菌株的耐药特征进行分类，将所有药物敏感的菌株作为对照组，并排除耐药特征独特但样本量过少的菌株。随后，使用 Fisher’s 精确检验比较各耐药群体的 DNA 变异，并校正多重检验误差，仅保留显著富集的变异进行后续分析。通过计算耐药菌群与敏感菌群的变异检测率差异，筛选出优势比 ≥1 的变异，将目标变异数量从 55.8×10⁶ 降至 31.0×10³，大幅提高了分析效率，精准锁定与耐药表型高度相关的关键突变。在基因水平，所有在特定耐药菌株中显著富集的 DNA 突变再次经过 Fisher’s 精确检验，以识别其与特定抗生素耐药性的关联，并归类到相应基因，形成基因-耐药突变关联数据库。在突变水平，进一步分析基因层面筛选出的变异，并结合 WHO 突变信号评级系统进行分级评估，以识别罕见耐药突变。这一系统化方法使 GAM 无需先验知识即可精确识别耐药基因变异，并有效减少 GWAS 可能出现的假阳性交叉耐药性问题。
研究团队应用 GAM 分析了 7,179 株结核分枝杆菌（Mtb）的基因序列与耐药表型，成功识别出与抗结核药物耐药性相关的基因靶点。相比 WHO 基因突变目录，GAM 显示出更少的交叉耐药性假象，无需依赖专家规则筛选，提高了预测的通用性和准确性。此外，GAM 在 3,942 株金黄色葡萄球菌（S. aureus）耐药性分析中也表现出高预测能力，进一步证明了其适用于多种病原体的广泛性。
研究团队进一步结合机器学习（ML）优化 GAM，以提高预测准确度，尤其在小样本或不完整数据集中。利用 427 株来自三家机构的 Mtb 临床分离株进行验证，结果显示 GAM 提供的输出变量比 WHO 方法更适用于 ML 模型，进一步提升了耐药性预测精度。
图1. 基于GAM的方法构建和临床验证。a对结核分枝杆菌分离株的药物敏感性测试 (DST) 表型进行基因分型和最低抑菌浓度 (MIC) 培养分析。b通过基因型和表型信息进行数据过滤。c将 结核分枝杆菌分离株序列和 DST 数据输入 GAM 以识别与耐药性相关的突变，然后使用统计指标评估 GAM 分类性能。d将机器学习应用于 GAM 分类为与耐药性相关的 SNP，以预测耐药性特征。e进行多位点交叉验证以表征此 GAM + ML 预测方法的实用性。
临床应用与未来展望
GAM+ML 的结合不仅能减少假阳性交叉耐药性的误判，还能在无先验知识的情况下准确预测耐药性突变，为个体化抗生素治疗提供更精准的指导，也为低成本基因检测 POCT（即时检测）手段的开发提供理论依据。这一技术有望广泛应用于耐药性监测、药物研发和公共卫生防控，为抗击耐药性微生物感染提供更高效的解决方案。
https://doi.org/10.1038/s41467-025-58214-6
制版人： 十一
学术合作组织
（*排名不分先后）
战略合作伙伴
（*排名不分先后）
（*排名不分先后）
转载须知
【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。
BioArt
Med
Plants
人才招聘
会议资讯
近期直播推荐
热门跟贴