基于MALDI-TOF质谱与人工智能的MRSA快速分型及PVL检测系统的开发与验证：一项多中心研究

本研究创新性地将MALDI-TOF MS（基质辅助激光解吸电离飞行时间质谱）与人工智能临床决策支持系统（AI-CDSS）相结合，开发了可快速鉴定耐甲氧西林金黄色葡萄球菌（MRSA）SCCmec分型及杀白细胞素（PVL）的层级分类模型。该系统通过分析345,748例临床标本，实现了MRSA基因型鉴定（AUC>0.9）和PVL检测（AUC=0.85），显著简化了传统PCR流程，为感染防控提供了高效解决方案。

　　

ABSTRACT
耐甲氧西林金黄色葡萄球菌（MRSA）因其基因多样性和携带杀白细胞素（PVL）的特性成为重大公共卫生威胁。本研究开发的人工智能临床决策支持系统（AI-CDSS）通过层级机器学习模型分析MALDI-TOF MS数据，实现了MRSA分型和PVL检测的自动化，替代了传统PCR流程。

Introduction
MRSA被WHO列为最高级别威胁病原体，其携带PVL毒素的社区获得性（CA-MRSA）菌株与坏死性肺炎等重症相关。传统诊断需耗时4天，包括培养、MALDI-TOF MS鉴定、药敏试验及多重PCR分型。研究团队提出利用MALDI-TOF MS的m/z谱特征，通过AI模型实现快速分型。

Material and methods
2010-2024年间从5家医疗机构收集345,748份标本，分离出10,227株金黄色葡萄球菌（MRSA占57.4%）。采用Zymo Research试剂盒提取DNA，通过特异性引物PCR进行SCC_mec I-V分型和PVL检测。机器学习方面，将m/z 2000-20000 Da数据按5 Da分段标准化，采用随机森林、LGBM和XGBoost构建层级模型：先区分MRSA/MSSA，再划分HA-MRSA（I-III型）与CA-MRSA（IV-V型），最后检测PVL。

Results
MRSA中SCC_mec IV型占比最高（48.5%），其PVL阳性率达65.8%。关键m/z特征集中在7000 Da以下，其中6405-6410和5865-5870段与PVL强相关。XGBoost在MRSA鉴别中验证准确率0.89，随机森林对PVL检测的AUC达0.85。AI-CDSS网页界面可直观展示分型路径及置信度。

Discussion
相比传统单峰分析（如4448 m/z），多特征模型显著提升准确性。该系统将诊断周期从7天缩短至3天，尤其利于PVL相关感染的早期干预。局限性在于仪器间数据差异及未明确m/z特征对应蛋白。

Conclusion
该AI-CDSS为MRSA分子流行病学研究提供了标准化工具，其快速PVL检测能力对重症感染管理具有重要临床价值。未来需拓展至其他毒力因子检测以完善诊断体系。