基于UV-Vis-NIR光谱与灰箱模型的铜绿假单胞菌抗生素敏感性快速预测新方法

针对铜绿假单胞菌（Pseudomonas aeruginosa）抗生素敏感性检测耗时长的问题，研究人员开发了一种结合UV-Vis-NIR光谱、亚组发现和一对多多层感知器（MLP）的创新框架。该方法在10分钟内实现高精度预测，突破传统培养需48-72小时的限制，为临床快速抗微生物药敏试验（AST）提供了可解释、低成本的解决方案。

　　

铜绿假单胞菌（Pseudomonas aeruginosa）是医院感染的主要病原体之一，尤其对免疫功能低下患者构成致命威胁。传统抗生素敏感性检测依赖耗时48-72小时的培养法，延误精准治疗时机。尽管质谱和基因测序等新技术能缩短检测时间，但高昂成本和"黑箱"算法限制了临床普及。如何实现快速、经济且可解释的药敏预测，成为微生物诊断领域的重大挑战。

为解决这一难题，研究人员在《Journal of Microbiological Methods》发表的研究中，创新性地将紫外-可见-近红外光谱（UV-Vis-NIR）技术与灰箱机器学习模型结合。该方法通过光谱特征解析细菌生理状态，采用亚组发现算法识别关键波长标志物，并构建一对多多层感知器（one-vs-all MLP）分类器。使用临床分离株验证显示，仅需10分钟培养即可达到最优预测准确率，较传统方法提速300倍以上。

关键技术方法
研究采用UV-Vis-NIR光谱仪采集细菌悬浮液的光谱数据（400-2500 nm），通过标准微稀释法确定最小抑菌浓度（MIC）作为金标准。对临床分离的P. aeruginosa菌株进行光谱扫描后，运用灰色关联分析筛选特征波长，结合亚组发现算法建立耐药表型分类规则，最终构建具有可解释结构的MLP模型。

主要研究结果

1. 光谱特征解析：在近红外区域（特别是1950 nm和2200 nm附近）发现与细胞膜脂质变化显著相关的吸收峰，这些特征与β-内酰胺类抗生素耐药性存在强相关性。
2. 模型性能验证：对环丙沙星、美罗培南等6种常用抗生素的预测准确率达89.2%-94.7%，曲线下面积（AUC）为0.91-0.96，显著优于传统偏最小二乘回归（PLSR）方法。
3. 时间效率突破：仅需10分钟光谱采集即可获得稳定预测结果，且前处理步骤较质谱法减少60%。

结论与意义
该研究首次证实UV-Vis-NIR光谱结合可解释机器学习能实现P. aeruginosa药敏的极速预测。相较于基因组测序和质谱技术，该方法兼具操作简便（无需DNA提取或基质辅助激光解吸）、成本低廉（仪器价格降低80%）和结果可溯源（通过光谱特征反推耐药机制）三大优势。特别值得注意的是，模型识别出的1950 nm特征峰与细菌生物膜形成相关多糖的振动吸收吻合，为耐药机制研究提供了新视角。这项技术有望革新重症感染患者的治疗决策流程，推动个性化抗生素治疗的实时化发展。