通过将MALDI-TOF质谱技术与人工神经网络相结合，加速检测艰难梭菌37序列型

《Microbiology Spectrum》：Accelerated detection of Clostridioides difficile sequence type 37 by integrating MALDI-TOF mass spectrometry with artificial neural network

艰难梭菌ST37（RT017）是导致严重感染和抗生素耐药的关键亚型，传统检测耗时长达5-6天。本研究通过整合MALDI-TOF质谱数据与人工神经网络（ANN），构建了可在10秒内快速区分ST37和非ST37的模型。基于1155条质谱数据（385株临床分离株），模型在训练集和验证集均表现出高精度（AUROC达0.96-0.99），并识别出15个潜在生物标志物。该方案显著缩短检测周期，提升临床诊断效率，为感染控制提供新工具。

在临床医学领域，快速准确地识别致病菌是确保及时治疗和有效控制感染的关键。特别是对于**Clostridioides difficile**（艰难梭菌）序列类型37（ST37，也称为RT017）这一高度致病的菌株，其与严重感染和抗生素耐药性密切相关，因此对其快速检测的需求尤为迫切。当前的检测方法通常较为繁琐且成本高昂，这限制了其在临床环境中的广泛应用。为了克服这些局限，研究人员探索了结合**基质辅助激光解吸电离飞行时间质谱**（MALDI-TOF MS）与**人工智能技术**，尤其是**人工神经网络**（ANN）模型的检测方案。这种方法不仅提升了检测效率，还显著降低了成本，为临床诊断和感染控制提供了新的可能性。

本研究收集了来自多个地区的385株临床分离的艰难梭菌，其中包括118株ST37菌株（占30.65%）和267株非ST37菌株（占69.35%）。通过使用MALDI-TOF MS获取的1,155条质谱数据，构建了一个基于ANN的分类模型。该模型采用80%的数据进行训练，20%的数据用于外部验证，结果表明其在检测ST37菌株方面表现出卓越的诊断精度和可靠的泛化能力。在验证集上，模型的**受试者工作特征曲线下面积**（AUROC）达到0.96，**精确率-召回率曲线下面积**（AUPRC）为0.94，表明其在实际应用中具有很高的可行性。

此外，研究还识别出了15个可能作为ST37菌株标志物的质谱峰，这些峰的质荷比分别为6,729、12,013、12,012、6,731、7,296、12,085、14,716、7,292、3,104、7,293、16,966、15,360、7,259、18,488和14,660 Da。这些标志物为未来研究提供了潜在的方向，同时也为临床快速筛查ST37菌株提供了重要的参考依据。

传统的艰难梭菌检测流程通常需要5至6天，包括细菌培养、MALDI-TOF分析、DNA提取、PCR扩增和测序分析等步骤。然而，这些步骤不仅耗时，还对实验室资源和人力资源提出了较高的要求。相比之下，基于MALDI-TOF MS和ANN模型的检测方法可以在短短10秒内完成ST37菌株的初步分类，大幅缩短了诊断时间。这种快速检测能力对于临床医生及时制定治疗方案至关重要，尤其是在面对严重感染时，能够显著降低患者的病情恶化风险。

从研究背景来看，ST37菌株在亚洲地区尤为常见，特别是在泰国和印度尼西亚等国家，其在致病菌中的占比高达30%至42%。而该菌株对多种抗生素表现出耐药性，如氟喹诺酮类和克林霉素，这些药物在某些情况下反而可能促进艰难梭菌的增殖。因此，快速识别ST37菌株不仅有助于临床医生及时调整治疗方案，还能有效防止感染的进一步扩散。研究团队通过构建一个能够直接从培养菌落中识别ST37菌株的模型，使得检测流程更加高效且具有实际操作性。

在模型的构建过程中，研究团队采用了**深度学习**技术，通过对18,000个特征进行筛选，最终选择了4,500个最具代表性的质谱峰作为模型输入。这些特征经过**数据预处理**，包括强度数据的平方根变换、使用Savitzky-Golay滤波器进行平滑处理，以及通过**非线性迭代峰剪切算法**进行基线校正。这些步骤有助于提高数据的准确性和模型的稳定性。此外，为了进一步优化模型的性能，研究团队还采用了**分层抽样**的方法，确保训练集和验证集在ST37与非ST37菌株之间的分布均衡。

在模型训练阶段，研究团队采用**10折交叉验证**以增强模型的鲁棒性，并通过**外部验证**测试模型在不同数据集上的表现。外部验证的结果显示，模型在检测ST37菌株时具有良好的判别能力，其**敏感度**达到0.94，**特异度**为0.94，**准确率**为0.94，**F1分数**为0.91，这些指标均表明模型在实际应用中具有较高的可靠性。与传统的检测方法相比，基于ANN的模型能够更快地完成分类任务，同时减少了对额外试剂和设备的需求，使其在成本效益方面具有明显优势。

值得注意的是，虽然PCR技术在短时间内能够完成物种级别的检测，但其在高分辨率菌株分型方面的能力有限。相比之下，基于MALDI-TOF MS和ANN模型的方法不仅能够实现物种级别的识别，还能进一步完成菌株级别的分类，这为临床诊断提供了更高的精度。此外，该方法还能保留细菌样本，以便后续进行**抗菌药物敏感性测试**和**基因组分析**，这对于感染控制和耐药性研究具有重要意义。

尽管本研究在模型构建和性能评估方面取得了显著进展，但仍存在一些局限性。首先，所使用的菌株样本数量相对有限，且主要来自中国浙江省的多个医院，这可能影响模型的泛化能力。因此，未来的研究应扩大样本来源，涵盖更多地区和国家，以增强模型的适用性。其次，模型的构建基于单一的MALDI-TOF平台，这可能限制其在不同设备之间的可重复性。此外，虽然研究团队通过**Shap值**（可解释性AI技术）提高了模型的透明度，但ANN的“黑箱”特性仍然可能在某些临床环境中影响其解释性。最后，本研究主要基于回顾性数据，因此未来需要在实际临床环境中进行前瞻性验证，以确保模型的稳定性和实用性。

总体而言，本研究通过结合MALDI-TOF MS和机器学习技术，开发出了一种快速、准确且经济高效的检测方法，能够在10秒内完成对ST37菌株的初步筛查。这一方法不仅提升了检测效率，还为临床医生提供了更及时的诊断信息，有助于改善患者预后。同时，该方法在实际应用中具备良好的扩展性和适应性，能够为公共卫生部门提供有力的工具，以更好地监测和控制艰难梭菌感染的传播。未来，随着样本数据的进一步丰富和模型的持续优化，基于MALDI-TOF MS和ANN的检测方法有望在更多临床场景中得到广泛应用。