《Bioinformatics Advances》：AI-powered Rapid Detection of Multidrug-Resistant Klebsiella pneumoniae with Informative Peaks of MALDI-TOF MS
编辑推荐：
为破解肺炎克雷伯菌对环丙沙星、头孢呋辛、头孢曲松耐药检测耗时难题，台湾团队利用28 000余株临床分离株构建机器学习模型，独立测试准确度达0.7858，并锁定m/z 3657等9个耐药富集峰，为床旁快速风险分层提供可解释工具。
当“超级细菌”肺炎克雷伯菌（Klebsiella pneumoniae）在医院里悄悄蔓延，患者因经验性用药失败而错失黄金救治窗口时，临床微生物实验室却常被一纸24小时才能出炉的药敏报告束缚手脚。环丙沙星（CIP）、头孢呋辛（CXM）、头孢曲松（CRO）这些社区与院内感染常用“武器”正逐渐失灵，耐药率节节攀升，迫使医生提前动用碳青霉烯、多黏菌素等最后防线。能否像做血常规一样，在拿到菌落几分钟内就预判耐药命运？台湾阳明交大、中央大学等机构的研究团队决定让质谱“说话”。他们把目光投向早已普及的基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS），借助机器学习，让沉默的谱峰自己“交代”细菌是否暗藏耐药基因。论文最终发表于《Bioinformatics Advances》，为快速抗菌决策带来一线曙光。
研究整合台北林口与高雄长庚两家分院2013–2019年间28 367株血流感染分离株，以Bruker Microflex LT采集2 000–20 000 m/z线性正模式谱图，并经msConvert、MALDIquant去基线、峰提取；利用核密度估计（KDE）将谱图锚定至m/z 3623±5，构建688维特征矩阵。按院区分、时间片划分训练/测试，采用XGBoost、RF、SVM等六种算法，以10折交叉验证+独立外验评估，并用Youden指数定阈值，报告AUROC、AUPRC、F1、MCC等七项指标。通过前向特征选择锁定最少12个关键峰，交叉对比既往碳青霉烯研究峰，实现维度压缩与可解释性平衡。
主要结果如下：
“3.1 数据集概览”——林口院耐药率显著高于高雄院，CXM耐药率分别达43.0%与32.7%，多重耐药（同时耐三种药）比例33.3% vs 13.8%，且林口耐药曲线随时间陡峭上升，提示地域差异与时序漂移并存。
“3.2 质谱谱图分析”——t-SNE可视化显示敏感株与耐药株谱峰空间混杂，肉眼无法分界，凸显机器学习必要性。
“3.3 模型性能”——XGBoost整体最优，跨时间验证LK+KS合并集上多重耐药预测AUROC 0.8764，准确度0.8001；但跨医院直接移植下降，揭示“域漂移”风险。
“3.4 特征挖掘”——从686维筛至12个交集峰（m/z 3657、4341、4519、4709、5070、5409、5921、5939、6516等），耐药株出现频率显著高于敏感株，差值最高达66.9% vs 40.9%，成为可解释的生物标记；而借鉴自碳青霉烯研究的22峰因指向不同耐药机制，AUC骤降至<0.7，提示“药-峰”对应具有高度特异性。
结论与讨论部分指出，研究首次在大规模多中心队列中证实MALDI-TOF MS结合机器学习可快速、定量地预测肺炎克雷伯菌对临床常用氟喹诺酮与头孢菌素的耐药风险，为经验治疗提供“分钟级”决策依据，减少不必要的广谱药物升级。未来需通过靶向质谱-基因组对接验证峰来源，并开发轻量级域适应策略，使模型在不同医院、不同仪器间“即插即用”。当抗菌药物管理进入精准时代，让质谱峰说话，也许正是把耐药洪流关进笼子的第一步。
