引言
抗菌药物耐药性（AMR）对全球健康构成了重大威胁，大肠杆菌（Escherichia coli）是导致尿路感染、血液感染和其他临床状况的主要病原体。准确监测和预测抗菌药物耐药性对于指导有效的治疗策略至关重要。虽然数据库记录了耐药基因和突变，但对其对药物敏感性定量影响的理解仍不完整。本研究旨在量化获得特定耐药基因对各种抗生素最低抑菌浓度（MICs）的影响，提供更精确的解释框架。
研究背景与理由
耐药大肠杆菌菌株的日益普遍使治疗决策复杂化，并导致患者预后较差。大多数现有的耐药预测模型基于二元分类——耐药或敏感——但这些缺乏细节，阻碍了细致的临床决策。识别MIC值的变化并将其与遗传决定因素联系起来，为提高预测准确性和可解释性提供了有前景的方法。目前的研究通过分析大量临床大肠杆菌分离株，整合全基因组测序数据与MIC测量结果，阐明特定遗传元素如何定量影响耐药水平。
方法
这项观察性研究分析了2013年至2018年在英国牛津郡收集的2,875株来自人类尿路和血液感染的大肠杆菌分离株，以及2020年的额外数据。对每个分离株进行了全基因组测序，并使用NCBI AMRFinder数据库鉴定了耐药基因。将各种抗生素（包括头孢菌素和其他常用药物）的MIC数据与每个分离株关联。多变量区间回归模型估计了获得特定耐药基因和突变时MIC的变化，必要时调整了种群结构。通过留一法交叉验证评估了模型在预测MIC和耐药表型方面的性能，评估了预测MIC在一个稀释度内的准确性和完全匹配情况。
关键发现
本研究评估了24,858个不同抗生素的MIC测量值。大多数耐药决定因子（111个中的89个）与MIC增加相关，突显了它们在耐药发展中的作用。值得注意的是，只有24%（111个中的27个）的分析遗传元素独立赋予耐药性——即它们的获得单独导致MIC超过临床断点。效果因抗生素类别而异，尤其是在头孢菌素中，不同代次表现出不同的遗传影响。
预测建模显示了高准确性，约83.3%的MIC被正确预测，超过95%在一次稀释度内。即使在考虑种群结构后，模型仍保持稳健性能，强调了其潜在的临床实用性。这些结果表明，将从遗传数据中得出的定量耐药估计纳入其中可以增强相对于黑箱机器学习模型的可解释性，为耐药预测提供更具机制信息的方法。
专家评论
这项研究推进了我们对特定遗传元素如何影响抗菌药物敏感性的理解，强调了定量建模的重要性。与传统的二元预测不同，这些估计使临床医生能够衡量耐药程度，从而指导更精确的治疗调整。局限性包括基因表达的潜在变异和其他未仅由遗传存在捕获的耐药机制。尽管如此，这种方法可推广到其他病原体和抗生素，代表了向精准抗菌管理迈出的有意义的一步。与临床工作流程的整合可以优化抗生素选择和剂量，从而保护抗生素效力并减少耐药性的出现。
结论
将耐药基因与MIC变化联系起来的定量估计在提高抗菌药物耐药性预测和理解方面具有前景。该方法经过广泛的临床数据验证，提高了对机器学习模型的可解释性，并适用于各种病原体-抗生素情境。未来的工作应探索动态耐药机制和实时在临床诊断中的实施，以充分发挥其在对抗AMR方面的潜力。
