杜蘭大學Tony Hu教授團隊在《Nature Communications》上發表的這項研究提出了一種新的方法，用于增強對多重耐藥微生物的診斷。

研究背景

微生物耐藥性是全球面臨的重大公共衛生挑戰之一。耐藥微生物感染的治療難度更大，可能導致治療時間延長、醫療成本增加以及進一步耐藥性的發展。

目前用于識別耐藥性的方法存在局限性，例如基于培養的技術耗時且勞動強度大，分子方法只能識別已知的常見突變，而全基因組關聯研究（GWAS）在評估多重耐藥性時容易出現假陽性關聯。

研究方法

研究團隊提出了一種新的方法——群體關聯模型（Group Association Model，GAM）。該方法通過將具有相同耐藥性特征的微生物菌株分組，識別與耐藥性相關的基因變異。具體步驟如下：

1. 數據分組：將菌株按耐藥性特征分組，生成多個具有不同耐藥性特征的組。

2. 變異檢測：通過比較耐藥組與敏感組之間的變異頻率差異，識別與耐藥性相關的變異。

3. 機器學習優化：將GAM識別的變異作為輸入，結合機器學習（ML）進一步提高耐藥性預測的準確性。

實驗結果

? 基因變異識別：GAM成功識別了與九種一線和二線抗結核藥物耐藥性相關的基因變異，且假陽性率極低。

? 預測準確性提升：與單獨使用GAM相比，結合機器學習后，耐藥性預測的敏感性和特異性顯著提高，尤其是對于耐藥性模式復雜的藥物。

? 數據完整性和樣本量的影響：研究發現，數據缺失和樣本量不足會降低GAM的性能，但GAM在處理小樣本量數據時仍優于傳統的線性混合模型（LMM）。

研究意義

這項研究提出了一種新的、高效且準確的耐藥性診斷方法，能夠快速識別與耐藥性相關的基因變異，并通過機器學習進一步優化預測結果。

這種方法不僅適用于結核分枝桿菌，還可以推廣到其他微生物的耐藥性分析中，為抗耐藥性感染的治療提供了新的工具。