大阪大学的研究人员发现，抗生素耐药细菌表现出特征性的形态变化，可以在没有抗生素的情况下使用生物信息学方法在显微镜下检测到

青霉素被发现时被誉为“银弹”，因为它具有前所未有的能够杀死致病细菌而不伤害人体的特性。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。

图1耐药菌株光镜观察。

显示了来自三个数据集（数据集1）之一的耐抗生素大肠杆菌菌株和敏感亲本菌株(P)的代表性图像。从每个耐药菌株中分离出4株，顶部的数字表示耐药菌株的品系。亲本应变图像中显示的比例尺适用于所有面板。AMK =阿米卡星；AZM =阿奇霉素；CFIX =头孢克肟；氯霉素；CPFX =环丙沙星；CPZ =头孢哌酮；DOXY =强力霉素；ENX =依诺沙星；NM =新霉素；TP =甲氧苄啶。

Nishino等人，生物信息学分析利用光学显微镜和深度学习揭示了细菌形态和抗生素耐药性之间的关系。微生物学前沿

图2 k-means聚类结果及各聚类主成分分析（PCA）结果。

左上角每个菌群的图：饼状图表示每种菌株在菌群中所占的比例。每个集群的右上方面板：显示集群中细胞的平均形状；实线表示平均值，虚线表示标准差。纵、横轴单位为μm。每个聚类的底部面板：显示每个聚类的PCA结果。椭圆包含每个菌株大约68%的细胞。箭头表示每个特性的负载。P =亲本菌株；BL = β-内酰胺-，AG =氨基糖苷-，TC =四环素-，CP =氯霉素-，ML =大环内酯-，TP =甲氧苄啶-，QN =喹诺酮类耐药菌株；MaxFeret =最大Feret直径；MinFeret =最小Feret直径。

Nishino等人，生物信息学分析利用光学显微镜和深度学习揭示了细菌形态和抗生素耐药性之间的关系。微生物学前沿

图3利用深度神经网络对亲代和耐药细胞进行单细胞分类。

一个

：分类工作流。插图显示了从亲本和耐药（ENX）菌株的显微镜图像中提取的细胞区域轮廓的放大视图。作为输入数据，相应的单元格等高线水平对齐并均匀插值到128个点。深度学习架构的卡通显示了一个集成到ResNet架构中的循环卷积（circ-conv）。对于circ-conv层，r表示半径或邻域大小，导致内核大小为2r+1，然后是通道数量和可选的步幅。电路转换层之后是批归一化和整流线性单元函数。曲线箭头描绘了一个快捷连接，虚线表示通道数量的增加。术语fc代表全连接层。对分类器模型进行了三重交叉验证。

B：等高线分类的受试者工作特征（ROC）曲线。每条曲线显示了从三重交叉验证中获得的ROC曲线的平均值。纵轴和横轴分别表示灵敏度和1−特异性的值。

C：网络对耐药菌株进行分类的性能。在三重交叉验证中，来自测试集的分类结果（平均值）以标准偏差的条形图表示。耐药菌株按曲线下面积（AUC）降序排列。sens =灵敏度（正确分类的耐药细胞）；规格=特异性（正确分类的亲本细胞）。所以他们的。=准确性（亲本和抗性细胞的集体分类）；AMK =阿米卡星；AZM =阿奇霉素；CFIX =头孢克肟；氯霉素；CPFX =环丙沙星；CPZ =头孢哌酮；DOXY =强力霉素；ENX =依诺沙星；NM =新霉素；TP =甲氧苄啶；AR =长宽比；Circ =圆；MaxFeret =最大Feret直径；MinFeret =最小Feret直径；Perim =周长；Round =圆；固体=坚固。

Nishino等人，生物信息学分析利用光学显微镜和深度学习揭示了细菌形态和抗生素耐药性之间的关系。微生物学前沿

这篇文章，“生物信息学分析揭示了细菌形态和抗生素耐药性之间的关系，使用光学显微镜和深度学习，”发表在《微生物学前沿》上，DOI: https://doi.org/10.3389/fmicb.2024.1450804。