冯婕（左一）与团队成员进行讨论

据预测，到2050年细菌耐药将导致全球范围内每年1000万人死亡。

■本报记者 张思玮

“控制抗菌素耐药性：今天不采取行动，明天就无药可用。”

这是2011年世界卫生组织给世界卫生日（4月7日）设定的主题。如今8年过去了，细菌耐药问题似乎依然没有得到很好的解决，甚至有愈演愈烈的趋势。

“滥用抗生素最严重的危害在于导致细菌产生耐药性。一些产生耐药基因的细菌如果没有被抗生素杀灭，就会继续传播耐药基因，久而久之，携带耐药基因的细菌会越来越多，造成抗生素失效，给治疗带来很大困难，也增加了治疗费用。”中国工程院院士钟南山曾直指细菌耐药的危害。

近日，中国科学院微生物研究所研究员冯婕研究组与南方科技大学教授杨亮研究组针对肺炎链球菌β-内酰胺耐药这一重要临床问题，采用机器学习的方法挖掘耐药相关数据的规律，建立了基因型和表型之间的联系，使得基因检测不再是一个辅助手段，而有望成为一种主要的耐药快速检测技术。相关研究发表在《生物信息学简报》（Briefings in Bioinformatics）杂志上。

“此项研究提供了将基因检测这种快速检测方法应用于耐药检测的策略。我相信，在更深入研究的基础上，可以将这种策略应用到更多种类细菌的检测中，实现耐药的快速检测。”北京大学临床药理研究所常务副所长郑波对上述研究成果作出如是评价。

越来越耐药的细菌

在人类与细菌抗争的漫长历史中，抗生素是最有力的武器。而后抗生素时代到来，多重耐药菌感染率、死亡率逐年增加，细菌耐药问题已经成为全世界共同面对的难题。虽然人类一直试图通过研发新型的抗生素，以解决细菌耐药问题，但研发的速度远远赶不上细菌耐药的脚步。

“目前，重要致病菌对临床使用的一线抗菌药物已经具有很高的耐药率。”冯婕给《中国科学报》提供了这样一组数据：世界卫生组织抗菌药物全球监测和中国细菌耐药监测网公布的数据显示，全球肺炎链球菌对青霉素最高耐药率是61%，而中国肺炎链球菌对口服青霉素的耐药率最高已达70%；全球肺炎克雷伯菌对三代头孢的耐药率最高已达82%，而中国的耐药率最高也达到了43%；全球金黄色球菌对甲氧西林的最高耐药率为90%，中国的耐药率达到了40%。

英国经济学家Jim O’Neill预测，到2050年细菌耐药将导致全球范围内每年1000万人死亡。

面对越来越严重的细菌耐药性，早在2012年，原卫生部就颁布了《抗菌药物临床应用管理办法》。2016年原国家卫计委又发布了《遏制细菌耐药国家行动计划》，当年在杭州举行的G20峰会上，细菌耐药被列为影响世界的5项深远因素之一。

在业内专家看来，中国政府对于细菌耐药的问题，已经采取了最为严格的管控。

“训练”机器精确识别耐药

为了更好地实现对细菌耐药性的快速检测，冯婕研究组从治疗肺炎链球菌感染的主要药物——β—内酰胺类抗菌药物入手进行研究。

美国耐药监测网显示，2011年美国青霉素不敏感肺炎链球菌检出率为43.7%。亚洲耐药监测网显示，2009年亚洲国家脑膜炎肺炎链球菌的耐药率高达57.7%。中国细菌耐药监测研究显示，2016年肺炎链球菌对二代头孢耐药率已达65%，三代头孢为6.6%。

“因此，研究肺炎链球菌β—内酰胺耐药具有重要的临床意义。”冯婕说，该研究属于典型的交叉学科研究，需要应用数学和计算机专业的知识来解决生物学问题。在具体研究工作中，冯婕团队一直从事肺炎链球菌耐药的分子机制研究，负责该课题的全局性工作，杨亮团队则负责数学模型的计算工作。

据了解，肺炎链球菌β—内酰胺耐药的主要机制是三种青霉素结合蛋白（PBP1a、PBP2b和PBP2x）的转肽酶结构域（TPD）的改变。由于不同临床肺炎链球菌分离株PBPs的高度变异性，以及链球菌间重组导致的嵌合结构，使得PBPs极具多样化，导致很难将PBPs的突变与临床耐药性联系起来。

鉴于此，冯婕团队首先将NCBI数据库已公布的PBPs序列通过类别方差（categorical variance）法计算，得到了139个与耐药高度相关的氨基酸变异位点（HVLs）。然后再以4300株肺炎链球菌的转肽酶结构域（TPD）序列以及对应头孢呋辛、阿莫西林的耐药表型作为数据库，将其中80%的数据作为训练集、20%的数据作为检验集，用HVLs去预测头孢呋辛和阿莫西林的耐药水平，结果发现与用PBPs蛋白的TPD序列预测效果一样好。

进一步分析发现，HVLs与PBPs的某些区域的序列有很强的相关性。因此，分别使用来自PBP2x （2253BP ）的750 BP片段和来自PBP2b（2058BP）的750BP 片段可以很好地预测头孢呋辛和阿莫西林的耐药性。

“这种长度只需要一个Sanger测序反应即可，不仅使检测操作更加简单，也降低了成本。”冯婕说。

此外，研究人员通过对人工构建的突变体和来自更多临床分离的菌株的耐药表型的检测，进一步确认了机器学习法能精确预测耐药表型。应用该预测方法，他们还分析了NCBI数据库中已测序的8138株肺炎链球菌，进而建立了耐药表型、血清型以及ST型之间的关联，促进了对肺炎链球菌的流行病学的认识。

寻找与耐药相关的生物标记物

众所周知，合理用药是控制耐药发展的关键，快速检测是合理用药的技术保证。传统的检测方法基于细菌培养，周期长，易导致漏诊、误诊，延误最佳治疗时机。而基于基因的检测技术，如具有灵敏、高效、快捷特点的基因芯片、数字PCR等技术，是公认的快速检测技术。

“但是，因耐药基因型与表型结果的不一致，基因检测目前只能作为培养法的辅助手段用于耐药的检测。”郑波告诉《中国科学报》，此项研究利用机器学习的方法挖掘大数据的规律，建立了基因型和表型之间的联系，并且成功地应用到肺炎链球菌β—内酰胺耐药的快速检测。

而在投稿的过程中，审稿专家的意见主要集中在验证更多肺炎链球菌菌株上。为此，研究团队特意从医院分离了67株临床肺炎链球菌菌株，进行了测序、耐药水平检测，进一步验证了机器学习模型的准确性。

“未来，我们需要对其他重要病原菌的耐药性进行类似的机器学习预测工作。由于基因组测序的成本越来越低，我们将利用基因组测序获得大量丰富的数据，在此基础上利用机器学习的方法，寻找与耐药相关的生物标记物，获得用于基因检测的一套生物标记物基因和相对应的模型，让基因检测更准确，助力耐药的快速检测。”冯婕说。

相关论文信息：https://doi.org/10.1093/bib/bbz056