《TRENDS IN Microbiology》：Microbial resistance from genotype to metabolic phenotype
编辑推荐：
抗菌药耐药性（antimicrobial resistance, AMR）构成日益加剧的全球威胁，然而现有监测与机制认知仍锚定在单个耐药基因层面，难以捕捉耐药性产生与传播所涉及的生态、基因组与代谢复杂性。研究人员指出，基因组规模代谢模型（genome-scal
抗菌药耐药性（antimicrobial resistance, AMR）构成日益加剧的全球威胁，然而现有监测与机制认知仍锚定在单个耐药基因层面，难以捕捉耐药性产生与传播所涉及的生态、基因组与代谢复杂性。研究人员指出，基因组规模代谢模型（genome-scale metabolic models, GEMs）可为AMR研究提供超越基因中心范式的原则性框架。菌株分辨率GEMs将耐药决定因子嵌入代谢网络，有望生成定量、情境依赖的表型预测，包括最低抑菌浓度（minimum inhibitory concentration, MIC）与环境条件性耐药，这是基于序列的工具无法提供的。纳入移动遗传元件（mobile genetic elements, MGEs）、水平基因转移（horizontal gene transfer, HGT）与群落水平互作的扩展GEM框架，可支持具有生态意识的耐药谱分析。在治疗层面，全网络建模可识别代谢脆弱点、合成致死互作以及面向微生物组的策略。将GEMs与多组学和数据的驱动方法整合，是迈向连接监测、诊断与药物发现的机制感知型AMR平台的关键一步。
研究背景方面，AMR已成为全球公共卫生重大威胁，但当前监测体系与机制研究长期停留在单个耐药基因或单核苷酸变异的注释层面。以CARD、AMRFinderPlus、ResFinder为代表的资源多以“耐药/敏感”的二元方式分类，忽视耐药表型的定量差异、上位性背景、调控架构、表达水平与代谢状态。基于序列相似性的计算工具对启动子或调控突变、无同源物的新型酶家族不敏感；在Pseudomonas aeruginosa与Acinetobacter baumannii中，临床耐药更多来自染色体层面对外排、孔蛋白和β-内酰胺酶系统的表达调控，而非获得外源基因。MIC预测模型常具物种与药物特异性，难以泛化。因此，基因型不能直接可靠推导表型，亟需把代谢作为统一层，将耐药决定因子放回全细胞代谢网络与生态背景中。
研究人员在《TRENDS in Microbiology》发表观点文章，提出以菌株分辨率GEMs为核心，把耐药等位基因置于上位性背景中，显式表示MGEs，并将环境与群落约束作为表型预测的决定因素，从而把监测、诊断与治疗发现连成机制感知型平台。核心结论是：抗生素作用于代谢，代谢状态又塑造耐药，GEMs能把基因-蛋白-反应（gene-protein-reaction, GPR）关联、通量、适应度、营养景观与群落互作形式化，使耐药从静态序列属性转为定量、条件依赖、生态尺度的表型。
主要关键技术方法上，研究人员依托临床、环境、农业来源的全基因组测序（whole-genome sequencing, WGS）与宏基因组组装基因组（metagenome-assembled genomes, MAGs）构建菌株分辨率代谢模型；用约束基方法、通量平衡分析（flux balance analysis, FBA）、单目标与多目标优化、解空间采样刻画生长、ATP维持、外排通量间的权衡；用代谢物-酶（metabolite-enzyme, ME）矩阵把转录、翻译、折叠与蛋白组配额成本显式化；通过共培养等群落互作实验结合WGS重建菌株模型，分析HGT片段、营养交换与竞争；并把多组学、机器学习与群落水平GEM整合，用于条件依赖MIC与生态位驱动耐药的推断。
研究结果如下。
Resistance without context: limits of the gene-centric paradigm：研究人员指出，ARG数据库与相似性或机器学习工具多为基因中心、静态特征推表型，忽略上位性、剂量效应、调控与代谢背景，导致对铜绿假单胞菌、鲍曼不动杆菌等染色体调控型耐药预测不可靠。
Mobility, ecological connectivity, and AMR as a systems-level problem：研究人员强调，ARG与MGE注释框架平行发展，耐药被当作静态遗传特征；而代谢通量是比生长率更接近临床耐药的预测变量，GEMs可把生态动态与表型联系起来。
Encoding AMR in genome-scale models：研究人员说明，GEMs通过GPR把基因型连到生理函数；酶促失活、靶标修饰可用替代途径或动力学约束表示，外排耐药可用耦合能量代价的转运反应表示，从而定量揭示耐药生存与细胞效率的权衡。
Modelling genomic context and epistasis：研究人员利用突变数据约束或阻断反应，用FBA、多目标优化与解空间采样评估突变背景下的代谢适应度；ME矩阵使酶丰度成为求解变量，显式呈现外排泵、β-内酰胺酶与生长机器对有限蛋白组的竞争。
Mobile genetic elements and HGT in silico：研究人员借助MAGs、共培养与菌株分辨率GEM分析HGT片段如何改变叶酸 scavenging、营养利用与竞争适应度；同时指出重复序列、拷贝数变异与MAG不完整会造成反应丢失。
Environmental and ecological constraints on resistance dynamics：研究人员通过设定碳源、氧张力、营养边界，把单菌与群落GEM耦合，用以推断种间代谢对话、营养供给与生态位如何促进、维持或抑制耐药。
Advantages of a GEM-integration framework for AMR：以大肠杆菌trimethoprim耐药为例，dfrA获得性耐药依赖叶酸通路背景与胸苷供应；GEM可把上游功能缺失突变为条件性、增加适应度代价的机制，而非单纯有无dfrA。
Limitations to encoding resistance in GEMs：研究人员承认多组学批次效应、非代谢类药物如氟喹诺酮类难以用化学计量完全表示、目标函数多取生物量而非死亡，使耐受、持留、生物膜空间生理与群体感应难以捕捉；动能模型与布尔模型可互补。
Application of GEMs across the AMR research spectrum：在监测中，拟合度景观与ML-GEM混合模型可做前瞻性谱系预警；在诊断中，GEM支持已知/新变异的定量MIC与环境条件表型、多微生物感染谱分析；在治疗中，可发现必需反应、合成致死对，并用饮食、益生元、益生菌改变群落代谢景观以降低耐药菌定植适应度。
Mechanistic surveillance and resistance prediction using GEMs：研究人员提出把监测从目录式注释转为动态定量风险评估，但模型若只建自高收入国家基因组，会延续对低收入国家AMR负担的偏差，需代表性基因组与区域能力建设。
Diagnosis: from genotype to context-aware phenotype prediction：研究人员指出，GEM通过GPR把基因型转为定量代谢表型，可补充传统测序诊断对条件依赖耐药与多微生物互作的盲区。
Identifying novel therapeutic targets and microbiome-informed treatment strategies：研究人员说明，全网络建模可找出来源宿主缺失或分化的必需代谢反应，发现仅在耐药态下条件必需的反应，并用群落模拟设计抗生素佐剂与微生物组靶向干预。
讨论与结论部分，研究人员总结，GEM框架的价值在于把监测基因组/宏基因组/表型数据、模型推导的适应度景观与代谢脆弱点、诊断解释及治疗优先级连成双向数据流。个别病原体GEM已能解释抗生素暴露后的代谢响应，但临床宏基因组常规重建、可报告级定量MIC、理性设计的微生物组佐剂仍待发展。GEM更适合解释耐药传播而非预测突变何时出现，因为酶可跨通路作用且突变轨迹随机。未来需要标准化重建流程、条件分辨生长与代谢组/通量组验证、开放模型库及计算生物学、临床微生物与流行病学协作。
结论部分译为：本观点文章所描述GEM框架的一项决定性优势，可能是一个连接监测、诊断与治疗发现的整合平台。耐药监测数据如基因组学、宏基因组学与表型可直接进入模型构建与验证，而模型推导的适应度景观与代谢脆弱性预测又可反哺诊断解释与治疗优先级。随着基因组测序在监测流程中常态化、多组学数据增长，瓶颈正从数据生成转向机制解释。具有菌株分辨率、生态意识的GEMs为此类解释提供了原则性计算载体。框架中若干部分已经建立：单个特征明确病原体的GEMs已被广泛使用；GEMs能合理化ESKAPE病原体中抗生素暴露的代谢响应；把菌株模型连到基因型-MIC集合作为混合预测器的机制特征在现有技术下可行；用GEM解释监测分离株的适应度代价与补偿突变也只需基准测试与整理，而非新技术。更长期看，临床宏基因组常规菌株分辨率重建、达到临床报告精度的定量MIC预测，以及理性设计的微生物组靶向佐剂仍需开发。代谢建模不能预测哪些突变会出现，因为单个酶可作用于多条通路，且群体突变轨迹具有随机性。因此该框架更适合解释耐药传播，而非预测从头进化。实现其潜力需要在标准化模型重建流程、高通量表型验证、可复用开放模型库及跨学科协作上协同投入。
