《Discover Public Health》：A One Health scoping review of genomic and machine learning approaches for predicting antimicrobial resistance in low- and middle-income countries
编辑推荐：
背景
抗微生物药物耐药性（AMR）是重大全球健康威胁，对中低收入国家（LMICs）影响尤为严重；在这些地区，实验室基础设施有限制约了表型抗菌药物敏感性试验。全基因组测序（WGS）赋能的机器学习（ML）和人工智能（AI）为AMR预测提供了快速方法，但其在异质性人
背景
抗微生物药物耐药性（AMR）是重大全球健康威胁，对中低收入国家（LMICs）影响尤为严重；在这些地区，实验室基础设施有限制约了表型抗菌药物敏感性试验。全基因组测序（WGS）赋能的机器学习（ML）和人工智能（AI）为AMR预测提供了快速方法，但其在异质性人群和One Health储库中的适用性仍不确定。
目标
描绘用于细菌AMR预测的基因组ML/AI方法，重点关注基因组特征、模型架构、验证、性能以及LMIC和One Health适用性。
方法
对2020年至2026年发表的27项研究进行范围综述，其中22项包含LMIC相关数据集。证据按基因组特征、建模策略、验证方法、地理覆盖和生态背景进行叙述性综合。研究采用预设的LMIC相关性和One Health标准进行分类。
结果
多数研究使用WGS衍生特征，尤其是k-mers和耐药基因谱。树基集成模型和正则化回归模型占主导，神经网络应用较少但通常报告高性能。报告性能范围为78%–98%（准确率或曲线下面积（AUC）；不可直接比较）。约30%的研究报告使用独立LMIC来源或跨区域数据集进行外部验证，而跨国LMIC验证有限。22项LMIC相关研究中有6项（27.3%）纳入多储库One Health数据集。性能随数据集组成、基因组特征表示和模型架构而变化。可解释人工智能（XAI）仍然有限。
结论
基因组ML/AI在AMR预测方面显示出强大潜力，但仍受限于LMIC代表性不足、外部验证有限和One Health整合不足。扩展地理多样性WGS数据集、加强独立跨背景和跨国验证、统一评估框架以及整合可解释AI，是LMIC公平部署的优先事项。
1 引言
抗微生物药物耐药性（AMR）是全球健康威胁，2019年估计直接导致127万人死亡并促成495万人额外死亡。中低收入国家（LMICs）负担更重，实验室和监测能力有限。传统表型抗菌药物敏感性试验耗时，可能延迟复杂耐药机制检测。全基因组测序（WGS）和泛基因组方法可高分辨率识别耐药决定因子、追踪病原演化与传播簇；整合人、动物和环境储库数据支持One Health视角。机器学习（ML）和人工智能（AI）应用于基因组数据，可快速预测耐药表型并识别新耐药机制。常见特征包括单核苷酸多态性（SNPs）、k-mer谱和泛基因组存在–缺失矩阵；模型从逻辑回归、树基集成到深度神经网络。可解释AI（XAI）尤其是SHAP提高可解释性，支持临床转化与监管信心。然而多数研究来自高收入国家（HICs），LMIC环境验证有限，多储库数据集稀缺，通用性受流行病学、基础设施和测序能力差异限制。本范围综述描绘LMIC中细菌AMR的基因组ML/AI预测方法，聚焦病原体、基因组特征、模型架构、性能和适用性，并首次在One Health框架内整合。
2 方法
2.1 方案与框架
本范围综述遵循PRISMA-ScR指南和Joanna Briggs Institute框架，描绘应用基因组ML/AI预测细菌AMR的研究，关注LMICs（World Bank 2025分类）。目标识别基因组特征、模型架构、性能指标以及外部验证和LMIC适用性的缺口。因病原体、基因组特征和ML/AI方法异质性大，采用范围综述设计，并遵循预先定义的概念框架分类LMIC相关性和One Health数据整合。
2.2 纳入标准
纳入2020–2026年原创研究，使用WGS或泛基因组方法以ML/AI模型预测AMR表型，并报告至少一项性能指标（准确率、AUC、敏感性或特异性）。研究可包括人类或多物种监测数据集，英文发表。排除综述、社论、观点、非基因组或合成数据集、无表型预测、非细菌病原体和方法学细节不足。LMIC相关性定义为使用LMIC产生数据、多国数据集中包含LMIC分离株或在LMIC数据上外部验证。HIC研究若方法适用于LMIC也保留。研究分类为LMIC-specific、LMIC-inclusive、mixed HIC–LMIC或transferable。LMIC按World Bank收入分类。外部验证定义为在未用于训练、超参数调优或内部交叉验证的独立数据集上测试。
2.3 信息来源、选择与综合
检索PubMed、Scopus、Web of Science、EMBASE，以及Google Scholar、bioRxiv和medRxiv。时间2020年1月至2026年3月，使用AMR、WGS、ML、AI和耐药预测相关词。两名评审独立筛选、提取数据并协商解决分歧。提取研究特征、病原体、基因组特征、ML/AI模型、性能指标、验证方法和LMIC相关性。因异质性进行叙述性综合，按病原体、模型类型、基因组特征和LMIC相关性组织。未做荟萃分析或偏倚风险评估。性能指标按原作者报告，未标准化。
3 结果
3.1 研究选择
数据库和灰色文献共识别1,150条记录，去重后980条筛选，标题摘要筛选排除906条，74篇全文评估，47篇排除：无ML/AI应用24、非基因组数据13、非原创设计10。最终27项符合，其中22项为LMIC相关。
3.2 研究特征与LMIC代表性
纳入研究主要使用WGS，泛基因组方法有限。最常见病原体为结核分枝杆菌（n=7）、大肠埃希菌（n=6）、铜绿假单胞菌（n=3）和其他革兰阴性菌（n=11）。多数研究由HIC机构领导，但LMIC相关性由包含LMIC来源分离株和/或使用LMIC数据集外部验证定义，而非研究地点。LMIC相关数据来自巴基斯坦、越南、加纳、乌干达、坦桑尼亚、尼日利亚和多国非洲队列。22项LMIC相关研究中，6项LMIC-specific、3项LMIC-inclusive、2项mixed HIC–LMIC、11项transferable。摘要报告6项（27.3%）纳入多储库One Health数据集，显示One Health方法在基因组AMR监测中的新兴整合。
3.3 LMIC证据结构与分布
LMIC相关证据在地理来源、数据来源和分析适用性方面异质性明显。LMIC-specific研究来自巴基斯坦、乌干达、越南、坦桑尼亚和尼日利亚、加纳，多来自撒哈拉以南非洲和南亚/东南亚。LMIC-inclusive研究包括多国HIC–LMIC数据集和含LMIC分离株与HIC数据的研究。Transferable研究为HIC来源、无LMIC数据或LMIC外部验证，但方法可能适用于LMIC，主要来自中国和美国。因此证据基础偏向HIC，LMIC来源数据较少，显示地理不平衡和LMIC经验证据有限。
3.4 基因组特征表示
基因组信息编码为四类：SNP矩阵、k-mer频率谱、泛基因组存在–缺失矩阵和混合突变–注释特征集。多储库研究一致显示人、动物和环境间共享耐药相关基因组特征，支持ML-based AMR预测的跨部门可迁移性。
3.5 机器学习模型与预测性能
ML方法包括逻辑回归、树基集成（随机森林、XGBoost、梯度提升）和神经网络。报告性能78%–98%（准确率或AUC，视研究设计）。树基集成在异质和LMIC相关数据集尤其多储库环境中表现最一致。逻辑回归稳定但较低（78–87%），在小数据集中保留可解释性。神经网络包括卷积和深度学习架构，性能较高（86–94%），但在LMIC相关环境应用较少。可解释AI尤其SHAP日益用于识别关键耐药相关基因组决定因子，提高可解释性。
3.6 LMIC适用性与外部验证
主要用HIC数据开发的模型在LMIC数据上性能可变。外部验证报告较少，约30%研究使用独立LMIC来源或跨区域数据验证；使用独立LMIC数据时，性能随验证环境变化。在模型开发或评估中纳入LMIC分离株的研究提供更多LMIC性能经验证据。但跨不同LMIC国家验证有限，无法就多样地理和病原体人群的通用性得出强结论。
3.7 综合合成
基因组ML/AI对多种细菌AMR显示强预测性能。性能更多由数据集代表性和外部验证策略驱动，而非算法复杂性。树基集成最稳健且一致。结核分枝杆菌和大肠埃希菌研究最多。尽管多储库数据集增加，多数证据仍以人类为中心，One Health监测仅部分实施。
4 讨论
4.1 主要发现
本范围综述综合27项研究，22项LMIC相关。报告预测性能78%–98%，总体高。关键发现性能因基因组数据表示、数据集组成、特征工程和模型架构而异。树基集成尤其是随机森林和XGBoost在多个异质数据集表现好。神经网络在k-mer和泛基因组表示中也高准确率，但优势不一致，无某类模型一致优势。XAI尤其SHAP用于部分研究增强可解释性并识别推定耐药决定因子，但多作为辅助而非嵌入建模流程，独立生物学或临床验证有限。跨地理通用性证据有限，较少研究在独立LMIC数据集评估HIC训练模型；跨LMIC国家验证更少。
4.2 模型性能决定因素与方法学异质性
基因组特征工程差异大，包括SNP、k-mer、泛基因组矩阵和混合方法，强烈影响信号结构和可学习性。关键综合见解：特征表示对性能影响大于模型架构。这解释树基集成一致表现，而深度学习主要在大而多样数据集有优势。评估实践不一致，常依赖准确率或AUC，忽略类别不平衡。外部验证有限且常性能下降，提示模型捕获数据集特异性而非通用生物学信号，限制可重复性和现实适用性。
4.3 LMIC代表性与结构性不平等
尽管22项LMIC相关，多数使用混合或外部来源数据，本地生成基因组数据有限。LMIC相关性常由包含分离株而非数据来源定义，显示LMIC主导模型开发有限。地理上集中于南亚和撒哈拉以南非洲，包括坦桑尼亚、乌干达、加纳、尼日利亚、巴基斯坦和越南。但代表性不均，部分国家仅单项研究，跨LMIC国家独立验证有限。多数研究关注HIC训练模型可迁移性而非本地优化系统，反映AMR AI研究结构失衡。
4.4 One Health整合
6项研究纳入跨人、动物和/或环境储库的多储库数据集，符合One Health原则。显示对AMR传播和耐药出现生态连通性认识增加。但现有证据未确立One Health整合改善预测性能。研究人群、基因组特征、建模方法和数据集组成差异限制直接比较。多数研究将多储库数据作为合并输入，而非显式建模人、动物和环境间相互作用，表明One Health原则的计算实现仍有限。
4.5 监测与转化意义
基因组ML/AI有潜力加速AMR监测，尤其LMIC表型检测延迟常见。但转化为操作系统的研究有限。多数为回顾性，缺乏前瞻性验证，模型开发与现实部署存在差距。成功实施需加强基因组基础设施、治理框架和监测系统互操作性。联邦学习有望在保持数据主权下实现跨国模型开发。尽管回顾性性能强，临床效用仍不确定。
4.6 未来方向
需从模型中心优化转向数据中心和系统级设计。第一，扩展地理代表性基因组数据集减少偏倚。第二，标准化报告框架应包括敏感性、特异性、精确率、召回率、F1-score和校准指标及透明验证方案。第三，独立数据集外部验证应成为发表最低要求；若声称LMIC适用性，应鼓励在不同LMIC环境独立验证。第四，特征工程应视为模型行为关键决定因素，因SNP、k-mer、耐药基因谱和泛基因组特征捕获不同生物信号。第五，可解释AI如SHAP应系统整合并连接生物学验证框架。最后，需要LMIC前瞻性实施研究和成本效果分析。
4.7 优势与局限
本综述明确关注LMIC相关性和One Health整合，超越性能比较转向结构性解释。但研究间数据集、特征工程和评估异质性限制可比性。回顾性分析为主和外部验证有限限制通用性。语言限制可能引入选择偏倚。
4.8 结论
基因组ML和AI对细菌AMR显示强预测潜力，各建模框架性能高。但性能更多由数据集代表性和特征设计驱动，而非算法复杂性。转化关键障碍是结构性的而非计算性，包括LMIC基因组代表性有限、评估标准不一致和缺乏外部验证。One Health和可解释AI有前景，但操作影响有限。未来进展依赖全球代表性数据集、统一评估框架和前瞻性真实世界验证。
