抗菌药物耐药性(AMR)已从迫在眉睫的隐患演变为一场全面爆发的全球性紧急事件,其对临床实践和公共卫生的冲击速度远超传统应对措施的能力边界。近期全球估计数据确认了这场危机的规模:2019年,全球与AMR相关的死亡人数达495万例,其中直接归因于耐药细菌感染死亡127万例[1]。世界卫生组织[2]和美国疾病控制与预防中心[3]更新后的监测报告显示,受抗生素滥用、全球流动性、环境传播以及耐药决定因素快速进化的驱动,社区和医院环境中的耐药率仍在持续上升。经济影响同样触目惊心,预测表明如果不予解决,到2050年AMR将给全球经济造成高达100万亿美元的损失[4]。与此同时,抗生素研发管线仍然异常单薄,近几十年来仅有少数新类别抗生素问世,且制药行业的持续投入正在稳步下降[5]。在这一背景下,人工智能(AI)已经不再是一项遥远的技术愿景,而是成为了一种实用的、日益不可或缺的强大助力。AI系统现已能够分析庞大的临床、基因组和环境数据集;预测耐药表型;加速新型抗菌药物的发现;并支持更加合理的抗菌药物使用。从AI辅助识别结构新颖的抗生素[6]到基于Transformer的基因组签名耐药预测,近期的突破性进展表明,AI在AMR研究中的整合应用已开始将天平向我们倾斜,提供了能够匹配微生物进化复杂性和速度的工具。本期专题汇集了七篇贡献,从多个角度展示了AI如何重塑AMR研究格局。Boudza等人追溯了AI驱动的抗菌药物发现的发展历程,展示了机器学习分类器、图神经网络和生成模型如何开始解锁传统筛选方法无法触及的化学和生物空间[7]。他们的综述强调了一个关键点:AI不仅仅是加速现有工作流程,它还使得发现诸如halicin和abaucin等化合物成为可能——这些化合物若没有计算探索,可能一直不为人知。然而,作者也指出了伴随这一进步而来的持续挑战,包括数据稀缺、数据不平衡以及严格的实验验证需求,将AI定位为一种变革性的但仍在成熟中的新型抗生素搜索合作伙伴。Wu-Mo等人的论文提供了一个互补的视角,他们聚焦于抗菌肽——一类因结构多样性和膜靶向机制而成为对抗ESKAPE病原体和多重耐药真菌的理想候选分子的化合物[8]。在该综述中,作者阐述了深度学习架构——包括卷积网络、循环模型和基于Transformer的蛋白质语言模型——如何重塑AMP的发现,以日益精准的方式预测活性、毒性和稳定性。尤为引人注目的是他们对生成式肽设计的讨论,其中变分自编码器、扩散模型和强化学习系统已开始提出全新的肽序列,针对多种治疗目标进行优化。尽管尚无AI设计的AMP获得临床批准,但作者强调了一个快速演变的格局,在此格局中,计算设计与实验验证正日益紧密交织。本期专题还包括了研究AI在生物医学数据使用中基础挑战的研究。Li等人考察了儿科电子健康记录数据集中种族和族裔信息的缺失值填补问题——这些变量经常不完整,却是理解感染风险、治疗可及性和耐药模式差异所必需的。通过比较逻辑回归、随机森林、KNN和MICE,作者发现填补效果在不同人群和建模方法之间差异显著。他们的发现提醒我们,AI驱动的AMR研究不仅依赖复杂的算法,还依赖于底层数据的完整性和代表性。在一个人群不平等影响暴露和结局的领域中,数据处理的方法学严谨性在科学和伦理上都至关重要[9]。Dai等人提供了一个AI如何通过创新的数据增强来增强诊断能力的范例。他们的ReShuffle-MS框架解决了MALDI-TOF质谱分析中长期存在的挑战:耐药相关信号的细微性[10]。通过保留判别性谱图区域同时重组同一类别内的外围区域,他们的方法生成了逼真的增强谱图,在不引入人工噪声的情况下提高了模型的鲁棒性。最终取得的成果——例如CNN在预测大肠杆菌左氧氟沙星耐药性时达到83.25%的准确率和97.28%的召回率——展示了精心设计的数据增强策略如何利用隐藏在复杂生物数据中的预测能力。他们在DRIAMS-C数据集上的外部验证进一步印证了该方法的可推广性。Hasona等人的研究同样涉及诊断创新,他们解决了在胃活检中识别幽门螺杆菌这一主观性任务——幽门螺杆菌是I类致癌物,在埃及人群中的患病率高达90.3%[11]。通过将八种深度学习架构——从轻量级的MobileNetV2到基于注意力的视觉Transformer——与贝叶斯优化的超参数搜索进行基准比较,该搜索涵盖七种优化器、四种学习率和多种dropout配置,作者发现卷积架构在使用有限的组织病理学数据集时优于基于Transformer的模型。MobileNetV2和Xception在测试集上实现了完美分类——准确率、灵敏度、特异性和AUC均为100%——且MobileNetV2的训练速度快了一倍以上,这一效率提升与在资源受限的病理实验室中部署直接相关。除这些指标外,该研究还因其代表了AI在埃及乃至更广泛的中东地区首次应用于幽门螺杆菌诊断而备受瞩目,强调了区域验证而非依赖基于遥远队列训练的模型对于实现公平诊断AI的重要性。Yang等人探讨了一种早于抗生素的治疗策略——噬菌体疗法,其重新获得关注直接源于本期专题所讨论的AMR危机[12]。在他们的综述中,作者描绘了AI如何被整合到噬菌体研究的几乎每个阶段:从VirSorter2和DeepVirFinder等基于序列的鉴定工具,到DeepPBI-KG等预测噬菌体-宿主相互作用的图神经网络模型,再到Evo等生成式基因组基础模型,后者已被用于设计能够感染耐药大肠杆菌的功能性噬菌体基因组。作者还讨论了这一进展在转化应用和治理层面的维度,描述了AI辅助的多重耐药感染个性化噬菌体鸡尾酒设计,同时也讨论了生成式噬菌体设计带来的双重用途生物安全和算法问责问题。他们的综述强调了贯穿整个专题的一个观点:随着AI加速抗菌药物科学的发现和设计方面,可解释性、数据代表性和伦理监督必须同步推进。Gulyás-Oldal等人对这一评估职能进行了最为深入的考察,他们退后一步,不再关注任何单一应用,而是发问:AI-for-AMR文献中有多少内容真正能够支持临床部署[13]。他们对2016年至2026年间PubMed数据库中2446条记录进行了筛查,涵盖四个领域,并依据PROBAST和TRIPOD的AI特定扩展标准对80项符合条件的研究进行了评估,发现十年间发文量增长了约十四倍,但真正外部验证的可能性并未相应提高。接受评估的研究中不到一半进行了外部验证,约四分之一报告了校准或发布了可供读者使用的模型,而十八项深度学习研究中没有一项报告校准。仅五分之一的研究风险偏倚为低风险。作者并未止步于批评,而是将这些差距转化为非培养依赖性诊断平台的设计约束,认为校准、验证和透明度——而非原始的判别准确性(所有接受评估的研究均有报告)——才是当前制约该领域临床准备状态的关键因素。他们的综述是对上述以发现和设计为核心的贡献的完美补充:这项研究提醒我们,贯穿整个专题的转化前景取决于方法学严谨性能否跟上算法野心的步伐。综合来看,这七篇论文展示了AI对AMR研究贡献的广度:从分子和肽发现到噬菌体疗法,从基于影像和质谱的诊断到支撑所有这一切的临床数据完整性。这些研究还揭示了一个共同主题:当AI与领域专业知识、高质量数据和对转化相关性的承诺相结合时,其影响力最为显著。前行的道路需要政府、临床医生、研究人员和工业伙伴之间的协调合作;标准化的数据共享和互操作性框架;以及对下一代科学家赋予计算工具使用能力的广泛培训。如果这些条件得以满足,AI将有助于实现AMR危机所要求的:能够实时检测耐药趋势的增强型监测能力;更加高效地将新型抗菌药物推向市场的加速发现管线;减缓耐药性出现的优化处方实践;以及建立在协作而非割裂基础上的强大全球研究生态系统。本期专题的贡献表明,这一未来并非遥不可及——它已在悄然成形。
| 免责声明/出版方声明: 所有出版物中包含的陈述、观点和数据仅为作者和贡献者个人观点,不代表MDPI和/或编辑的立场。MDPI和/或编辑不承担因内容中提及的任何观点、方法、指示或产品而造成的人身伤害或财产损失的责任。 |