用于单细胞亚细胞结构表型及抗菌敏感性检测的延时深度学习技术

《Analytical Chemistry》：Time-Lapse Deep Learning for Single-Cell Subcellular Structural Phenotypic Antimicrobial Susceptibility Testing

抗微生物耐药性快速检测新方法：基于SIM成像与ResNet-50的亚细胞表型分析技术可20分钟内完成大肠杆菌检测，揭示MIC浓度下的单细胞异质性，为临床决策和耐药机制研究提供工具。

　　

抗菌素耐药性（AMR）是一个全球性的健康问题，它使得感染的治疗变得更加复杂，导致疾病严重程度增加和医疗成本上升。传统的表型抗菌素敏感性测试（AST）依赖于繁琐的培养过程和对可见生长的解读，因此检测时间从24小时到数天不等。基因型检测方法只能识别已知的耐药基因，无法预测新型或新兴的耐药变体。因此，迫切需要快速、准确的AST方法来减少培养时间并提高检测灵敏度。我们开发了一种快速表型AST平台，该平台结合了结构光显微镜（SIM）成像技术和深度学习，用于评估接受抗生素处理的细菌的亚细胞表型。我们使用了包括C3D、DenseNet-121、MobileNet-V2、MobileNet-V3 Large、ResNet-50、ResNet-101和MobileNet-V3 Small在内的七种深度学习模型对表型图像数据集进行了训练。其中，ResNet-50的表现最为优异：在20分钟内对大肠杆菌（E. coli）的检测准确率达到87%，对耻垢分枝杆菌（M. smegmatis）的检测时间为4小时，对卡介苗（BCG）的检测时间为15小时，这些结果与传统检测方法高度一致。我们在接近最小抑菌浓度（MIC）的抗生素浓度下进行了单细胞分析，发现有些细胞在低于群体MIC的浓度下被抑制，而有些细胞仍然存活，这揭示了传统AST方法所掩盖的细胞异质性。我们的方法能够在无需培养的情况下实现亚细胞水平的快速表型检测，适用于评估抗生素的快速效果。观察单细胞异质性有助于阐明耐药机制，并为及时的临床决策提供依据，从而有可能遏制抗菌素耐药性的传播。