【Science子刊】机器学习精准预测抗生素耐药性，有望实现自由控制抗生素耐药性的传播！

基因不仅通过出生而遗传。细菌也有能力通过一种叫做水平基因转移的过程相互传递基因，或者从环境中获取基因，这是抗生素耐药性传播的罪魁祸首。

该研究论文于昨日（10月22日）发表在《Science Advances》上，名为“Functions predict horizontal gene transfer and the emergence of antibiotic resistance”。

“一般来说，生物体可以从其他生物体那里获得抗性基因。因此，如果我们知道细菌与哪些生物体进行交换，这将大有益处，除此之外，我们还可以弄清楚在这种转移中涉及生物体的驱动因素是什么。”生物医学工程助理教授、该论文的资深作者Ilana Brito说。“如果我们能知道‘谁’与‘谁’正在交换基因，那么也许就能深入了解这是如何发生的，甚至有可能控制这些过程。”

许多新的功能特征是通过基因转移共享的。但是科学家们还不能确定为什么有些细菌会进行基因转移，而另一些则不会。

Brito的团队研究了细菌基因组及其各种功能（从DNA复制到代谢碳水化合物），以确定是什么可以表明“谁”正在交换基因以及是什么驱动了这些细菌基因交换网络。

Brito团队使用了几个机器学习模型，每个模型都梳理出数据中存在的不同现象。这使得他们能够识别不同的抗生素抗性基因的多个交换网络。

在这项研究中，研究人员专注于与土壤、植物和海洋相关的生物体，但他们的模型也非常适合研究与人类相关的生物体和病原体，如鲍曼不动杆菌和大肠杆菌，以及局部环境，如肠道微生物群。

他们发现，机器学习模型在应用于抗生素抗性基因时特别有效。Brito说：“我认为这项研究最大的收获之一是细菌基因交换网络（特别是抗生素耐药性）是可以预测的。我们可以通过查看数据来了解它，如果我们仔细观察每个生物体的基因组，我们可以做得更好。这不是一个随机的过程。”

其中最令人惊讶的一个发现是，该模型预测了许多尚未被观察到的与人类相关的细菌和病原体之间可能发生的抗生素耐药性转移。这些可能尚未被发现的转移几乎只发生在与人类相关的肠道微生物群或口腔微生物群中。

Brito说，这项研究是康奈尔大学最近成立的抗菌素耐药性中心的象征。Brito是该中心指导委员会的成员。

Brito说：“可以想象，如果我们能够预测这些基因的传播方式，我们也许就能够进行干预或选择一种特定的抗生素，这取决于我们在患者的肠道中看到的情况。更广泛地说，我们可能会看到某些类型的生物体在特定环境中与其他生物体一起转移。我们认为数据中可能存在新的抗生素靶点。例如，或许存在一种基因，能够削弱这些生物体在某些环境中的生存能力或获得这些基因的能力。”（转化医学网360zhyx.com）

参考资料：

https://www.science.org/doi/10.1126/sciadv.abj5056

注：本文旨在介绍医学研究进展，不能作为治疗方案参考。如需获得健康指导，请至正规医院就诊。