利用机器学习技术结合人力资源管理系统（HRMS）光谱数据和抗金黄色葡萄球菌活性数据，对废水中的潜在抗菌污染物进行优先级排序

《Journal of Hazardous Materials》：Bridging HRMS spectra and anti-Staphylococcus aureus activity by machine learning for prioritization of putative antibacterial contaminants in wastewater

• •
  机器学习从废水多光谱（MS/MS）数据中优先识别出潜在的抗菌候选物。
• •
  正离子筛选模型的测试F1分数达到了0.475。
• •
  可以在结构明确之前预测潜在的抗菌活性。
• •
  公共光谱数据为优先筛选的候选物提供了地理背景信息。

引言

抗菌素耐药性（AMR）是一个重大的公共卫生问题，环境中存在抗菌污染物会加速其发展[1]。有效监测这些污染物是评估其风险和制定控制措施的前提。高分辨率质谱（HRMS）是检测环境基质中微量有机化合物最常用的工具[2]。然而，这些样本是复杂的混合物，包含多种化合物类，如药品、个人护理产品、 hormones、天然产物以及转化产物或代谢物，因此产生的质谱数据非常复杂[3]。单个样本可以产生数万个信号，这使得识别抗菌污染物（尤其是那些结构未知的污染物）变得极具挑战性[4]。因此，需要开发有效的方法来快速准确地识别环境样本中的抗菌污染物。

传统上，效应导向分析（EDA）是一种广泛用于识别环境基质中有毒污染物的非靶向方法[5]。该方法包括分离和毒性测试以确定有毒成分，随后进行结构鉴定以识别抗菌污染物[6]。但由于样品分离和毒性测试的工作量很大，这种方法耗时且繁琐，难以快速筛选环境基质中的抗菌污染物[7]。人工智能的快速发展为解决这一问题提供了新的可能性，它将识别抗菌信号所需的复杂实验流程转变为机器学习模型，该模型可以预测哪些光谱信号对应于抗菌化合物[8]。从理论上讲这是可行的，因为计算毒理学普遍认为化学结构决定了生物活性。因此，作为生物活性的一种，抗菌活性可以从结构信息中预测出来[9]。串联质谱包含可用于推断分子亚结构的信息[10]。例如，分子离子的准确质量和同位素模式可以揭示元素组成，包括杂原子和卤素[11]。此外，MS²光谱和中性损失可能指示特定的功能基团（例如，?NH2、?OH、?COOH）[12]。因此，建立一种将光谱特征与抗菌活性联系起来的模型是高度可行的，从而便于从复杂的质谱数据中快速预测和识别抗菌污染物信号。此前，基于MS²的模型已成功用于预测化合物的生物活性，如急性毒性和内分泌干扰活性，并在识别复杂环境样本中的有毒污染物方面显示出了高准确性和效率[13],[14]。迄今为止，这种方法尚未用于识别抗菌污染物。因此，我们开发了将MS/MS衍生的指纹与抗菌活性联系起来的模型。这些模型在结构鉴定之前优先考虑预测具有抗菌活性的信号，支持基于活性的非靶向筛选[2]。

尽管机器学习建模能够有效捕捉光谱数据与抗菌活性之间的非线性关系，但决定污染物抗菌特性的关键亚结构及其对应的光谱碎片离子信息仍然是一个未知数。SHAP（Shapley Additive Explanations）分析提供了一种强有力的方法来解析分子特征的贡献[15]。实际上，它已被成功应用于揭示影响内分泌干扰和神经毒性的关键亚结构[16],[17]。因此，SHAP分析可以评估指纹对预测的贡献，而无需建立抗菌机制。此外，基于模型的优先排序可以将实验室筛选与公共废水MS/MS数据集的回顾性搜索联系起来。在澳大利亚和中国的先前目标和非目标筛选研究中已经报告了废水中的抗菌污染物[1],[18],[19]。对公共废水MS/MS数据集的回顾性搜索可以将本地优先选择的特征与其他地区的光谱记录联系起来。

因此，本研究的主要目标是开发一种将质谱数据与污染物抗菌生物活性联系起来的模型。我们比较了使用不同算法和指纹构建的模型的性能，并进行了单独的树模型可解释性分析。利用保存的模型，对实验室废水样本进行了非靶向筛选，以优先识别潜在的抗菌候选物。此外，还对公开可用的废水MS/MS数据集进行了回顾性搜索，以描述匹配查询信号的地理元数据（图1）。总体而言，我们的研究为在复杂环境基质（如废水）中优先识别潜在的抗菌候选物提供了一种方法论框架。

章节片段

数据收集和预处理

我们从文献中整理出了具有明确抗菌活性标签的化学物质[20]。具体来说，我们关注了针对金黄色葡萄球菌（Staphylococcus aureus）表现出抗菌活性的化合物，这是评估抗菌活性的常用模型。这产生了39,312条实验筛选记录，包括512个活性标签和38,800个非活性标签，这些标签来自原始研究。关于它们的化学结构和抗菌活性标签值的详细信息

用于建模的数据集特征

通过文献检索和汇总，共获得了39,312条具有清晰抗菌标签的筛选记录，其中包括512个活性化合物和38,800个非活性化合物。随后，从公共光谱库中检索了参考标准MS²，并使用SIRIUS计算了分子指纹。结果，在正离子模式下，有129个活性化合物和2,003个非活性化合物被匹配，生成了4,874个和119,250个MS/MS光谱，所得数据分别为4,107个和97,163个

结论

在这项研究中，我们开发了将光谱数据与针对金黄色葡萄球菌的活性相结合的机器学习模型，以便在化合物结构鉴定之前进行非靶向筛选时优先识别潜在的抗菌候选物。在评估的配置中，MLP_PubChem和XGBoost_PubChem具有最高的正离子和负离子测试F1分数（分别为0.48和0.42）。正离子废水应用使用了MLP_Both，其测试F1分数为0.475，AUROC为0.847。

环境影响

抗菌污染物会导致水生生态系统中的抗生素耐药性。然而，通过基于HRMS的非靶向筛选来识别这些未知物质面临一个关键瓶颈：从复杂的光谱数据中优先识别潜在的抗菌信号。在这项研究中，我们开发了机器学习模型，利用MS/MS衍生的指纹来预测潜在的抗菌活性，从而在非靶向筛选中优先识别候选物。

意义声明

抗菌污染物会导致水生生态系统中的抗生素耐药性。然而，通过基于HRMS的非靶向筛选来识别这些未知物质面临一个关键瓶颈：从复杂的光谱数据中优先识别潜在的抗菌信号。在这项研究中，我们开发了机器学习模型，利用MS/MS衍生的指纹来预测潜在的抗菌活性，从而在非靶向筛选中优先识别候选物。

CRediT作者贡献声明

史晓平（Xiaoping Shi）: 软件开发。应明（Ming Ying）: 概念设计。冯书阳（Shuyang Feng）: 文章撰写——审稿与编辑、可视化、验证、软件开发、调查。李书然（Shuran Li）: 文章撰写——审稿与编辑、可视化。张旭翔（Xu-Xiang Zhang）: 文章撰写——审稿与编辑、可视化、验证、资金获取、概念设计。严旭（Xu Yan）: 文章撰写——审稿与编辑、验证、概念设计。吴钢（Gang Wu）: 文章撰写——审稿与编辑、可视化、验证、资金获取、概念设计。季敏欣（Minxin Ji）:

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了中国国家自然科学基金（编号52192682和52400249）、江苏省重点研发计划（社会发展项目）（BE2023772）、中国国家重点研发计划（编号2022YFC3901301、2024YFC3909805和2024YFC3909800）以及江苏省自然科学基金（编号BK20241438）的支持。

我们感谢胡宗利（南京大学和江苏省疾病预防控制中心）和

冯书阳|李书然|史晓平|应明|季敏欣|娄静雅|严旭|吴钢|张旭翔