AI方法在预测抗生素耐药性方面的表现优于当前标准
作者：by Tulane University
抗药性感染，尤其是来自致命细菌（如结核病和葡萄球菌）的感染，是日益增长的全球健康危机。这些感染更难治疗，通常需要更昂贵或更有毒的药物，并导致住院时间更长和更高的死亡率。根据世界卫生组织的数据，仅在2021年，就在2021年，有450,000人出现了多药耐药性结核病，治疗成功率下降到仅57％。
现在，杜兰大学的科学家开发了一种新的基于人工智能的方法，该方法更准确地检测到结核分枝杆菌中的抗生素耐药性的遗传标志物和金黄色葡萄球菌可能会导致更快，更有效的治疗方法。
杜兰研究介绍了一种新的小组协会模型（GAM），该模型使用机器学习识别基因突变与耐药性有关。与传统工具可能错误地将无关的突变与阻力联系起来，GAM不依赖于抵抗机制的先验知识，使其更加灵活，并且能够找到以前未知的遗传变化。
纸是出版在日记中自然通讯。
当前检测组织使用的抗药性的方法，例如WHO进行太长时间的基于文化的测试或错过稀有突变，就像一些基于DNA的测试一样。图兰（Tulane）的模型通过分析整个基因组序列和具有不同耐药模式的细菌菌株组来解决这两个问题，以发现可靠地表明对特定药物的抗性的遗传变化。
高级作家托尼·胡（Tony Hu）博士说：“将其视为利用细菌的整个遗传指纹揭示使其免疫某些抗生素的原因。”“我们本质上是在教一台计算机来识别抵抗模式，而无需我们先指出它们。”
在这项研究中，研究人员将GAM应用于7,000多个MTB菌株和近4,000个金黄色葡萄球菌菌株，并识别与抗性有关的关键突变。他们发现，GAM不仅匹配或超过WHO阻力数据库的准确性，而且大幅度降低了误报，错误地识别出抗性标记，这可能导致不适当的治疗。
杜兰大学细胞和分子诊断中心的研究生朱利安·萨利巴（Julian Saliba）说：“目前的基因检测可能错误地将细菌分类为耐药性，影响患者护理。”“我们的方法提供了更清楚的情况，即哪些突变实际上会导致抗药性，减少了误诊和对治疗的不必要变化。”
当与机器学习结合使用时，可以改善有限或不完整的数据来预测电阻的能力。在使用来自中国的临床样本的验证研究中，机器学习增强的模型优于预测关键前线抗生素耐药性的基于WHO的方法。
这很重要，因为尽早吸收抵抗可以帮助医生在感染扩散或恶化之前量身定制正确的治疗方案。
该模型在不需要专家定义的规则的情况下检测抵抗的能力也意味着它可能会应用于其他细菌甚至在农业中，在农作物中也是一个关注的抗生素耐药性。
“至关重要的是，我们要领先于不断发展的耐药感染，”萨利巴说。“这个工具可以帮助我们做到这一点。”
更多信息：Julian G. Saliba等人，使用小组关联建模和机器学习对多药的微生物进行了增强的诊断，自然通讯（2025）。doi：10.1038/s41467-025-58214-6
引用：AI方法在预测抗生素耐药性方面优于当前标准（2025年4月7日）检索2025年4月7日摘自https://medicalxpress.com/news/2025-04-ai-method-performs-current-standard.html
该文档具有版权。除了为私人研究或研究目的的任何公平交易外，没有未经书面许可，可以复制部分。内容仅用于信息目的。
关于《AI方法在预测抗生素耐药性方面的表现优于当前标准》的评论
暂无评论