大小很重要：生物信息学可以准确地检测到矮小、肥胖的耐抗生素细菌

大阪大学的研究人员发现，耐抗生素细菌比对抗生素敏感的亲本菌株更胖、更短，这些形态变化与能量代谢和抗生素耐药性相关基因表达的变化有关。机器学习方法能够在没有药物治疗的情况下根据显微镜图像区分抗生素耐药细菌和抗生素敏感细菌，这表明生物信息学可用于检测患者样本中的抗生素耐药性。

　　

青霉素在被发现时被誉为“银弹”，因为它具有杀死致病细菌而不伤害人体的前所未有的特性。从那时起，大量其他抗生素被开发出来，专门针对各种各样的细菌;但使用得越频繁，出现耐抗生素菌株的风险就越大。

在最近发表在《微生物学前沿》上的一项研究中，大阪大学的研究人员发现，当细菌对药物治疗产生耐药性时，它们会表现出特有的形状差异。

抗生素耐药性是世界范围内的一个主要公共卫生问题，因为它意味着我们治疗细菌感染的选择越来越少。快速识别耐抗生素细菌对于确保患者获得有效治疗非常重要;但最容易做到这一点的方法是在实验室培养细菌数天，并用药物治疗它们，看看它们如何反应。

“有一些证据表明，抗生素耐药性以其他方式表现出来;例如，革兰氏阴性杆状细菌的形态在接触抗生素时会发生变化，”该研究的主要作者Miki Ikebe说。“我们感兴趣的是确定这一特征是否可以用于检测抗生素耐药性，而无需实际使用抗生素治疗细菌。”

为了做到这一点，研究人员将大肠杆菌暴露在固定浓度的不同抗生素中，促使它们产生抗生素耐药性。然后，他们取消了抗生素治疗，并使用机器学习来评估细菌的形状、大小和其他基于显微镜图像的物理特征。

“结果非常清楚，”资深作者西野国彦解释说。“抗生素耐药菌株比亲本菌株更胖或更矮，特别是那些对喹诺酮和β-内酰胺耐药的菌株。”

接下来，研究人员探索了耐抗生素细菌的基因组成，看看细菌形状和抗生素耐药性之间是否存在任何联系。结果表明，与能量代谢和抗生素耐药性相关的基因确实与抗生素耐药细菌中观察到的形状变化有关。

Ikebe说:“我们的研究结果表明，在没有抗生素的情况下，使用机器学习可以从显微镜图像中识别出耐药细菌。”

鉴于对喹诺酮类、β-内酰胺类和氯霉素耐药的细菌都表现出相似的形状和大小，似乎相同的遗传机制可能导致所有这些菌株对抗生素产生耐药性。在未来，机器学习工具可以用来快速评估从患者身上采集的样本，以帮助开出正确的药物来治疗他们的感染。