机器学习预测抗生素耐药性传播

基因不仅通过出生遗传。细菌有能力通过称为水平基因转移的过程相互传递基因，或从环境中提取基因，这是抗生素耐药性传播的主要罪魁祸首。

康奈尔大学的研究人员使用机器学习对生物体进行功能分类，并使用这些信息以近乎完美的准确度预测基因如何在它们之间转移，这种方法可能用于阻止抗生素耐药性的传播。

该团队的论文“功能预测水平基因转移和抗生素耐药性的出现”于 10 月 22 日发表在《科学进展》上。第一作者为博士生周浩。

“生物体基本上可以从其他生物体获得抗性基因。因此，如果我们知道细菌正在与哪些生物体进行交换，这将有所帮助，不仅如此，我们还可以找出与这种转移有关的生物体的驱动因素是什么，”说Ilana Brito，工程学院生物医学工程助理教授、Mong Family Sesquicentennial 教员，以及该论文的资深作者。“如果我们能弄清楚谁在与谁交换基因，那么也许它会深入了解这实际上是如何发生的，甚至可能控制这些过程。”

许多新的特征是通过基因转移共享的。但是科学家们一直无法确定为什么有些细菌会参与基因转移，而另一些则不会。

Brito 的团队没有测试单个假设，而是研究细菌基因组及其各种功能——从 DNA 复制到代谢碳水化合物——以识别表明“谁”正在交换基因以及是什么驱动这些交换网络的特征。

Brito 的团队使用了几个机器学习模型，每个模型都梳理出嵌入数据中的不同现象。这使他们能够识别不同抗生素抗性基因的多个网络，以及同一生物体的菌株。

在这项研究中，研究人员专注于土壤，植物和海洋相关生物的，但他们的模式也非常适合看人类相关的生物和病原体，如鲍曼不动杆菌和E. 大肠杆菌和局部环境中，这样的作为个人的肠道微生物组。

他们发现机器学习模型在应用于抗生素抗性基因时特别有效。

“我认为这里的一大收获是细菌基因交换网络——特别是抗生素耐药性——是可以预测的，”布里托说。“我们可以通过查看数据来理解它，如果我们实际查看每个生物体的基因组，我们可以做得更好。这不是一个随机过程。”

最令人惊讶的发现之一是，该模型预测了许多尚未观察到的人类相关细菌和病原体之间可能发生的抗生素耐药性转移。这些可能但未被发现的转移事件几乎是肠道微生物组或口腔微生物组中与人类相关的细菌所独有的。

据在该中心指导委员会任职的布里托说，这项研究是康奈尔大学最近成立的抗微生物药物耐药性中心的象征。

“可以想象，如果我们能够预测这些基因的传播方式，我们或许能够进行干预或选择一种特定的抗生素，这取决于我们在患者肠道中看到的情况，”布里托说。“更广泛地说，我们可能会看到预测某些类型的生物体在特定环境中会与其他生物体转移的位置。我们认为数据中可能存在新的抗生素目标。例如，可能会削弱这些生物体的基因，就他们在某些环境中生存或获得这些基因的能力。”

Juan Felipe Beltrán，博士 '19，为研究做出了贡献。