AI预测模型助力快速检测农业环境中大肠杆菌的抗生素耐药性

科学家们利用人工智能（AI）预测农业环境中大肠杆菌的抗生素耐药性，取得了显著成果。这一研究由菲律宾大学迪里曼分校自然科学研究所（UPD-CS NSRI）的Marco Christopher Lopez和Pierangeli Vital博士，以及该校统计学院的Joseph Ryan Lansangan博士共同完成，研究成果发表在《马来西亚微生物学杂志》上。 大肠杆菌（E. coli）是一种常见的肠道细菌，广泛存在于人和动物体内。它不仅用于识别环境中是否存在粪便污染，而且由于其容易对抗生素产生抗性，成为测试抗生素耐药性的理想对象。这种耐药性的增长是一个严重问题，特别是在一些农场景中，粪便被用作肥料或废水被再利用时。 传统方法分析大肠杆菌的抗生素耐药性往往耗时且劳动密集，不适用于大规模监测。因此，研究人员探索了使用全基因组测序（WGS）和预测模型的更快方法。Lopez、Vital和Lansangan测试了多种人工智能预测模型，包括随机森林（RF）、支持向量机（SVM），以及两种集成方法——自适应增强（AB）和极端梯度增强（XGB），以确定这些模型在预测大肠杆菌抗生素耐药性方面的表现。 研究结果表明，这些AI模型在预测对链霉素和四环素的耐药性方面表现出高准确性，能够可靠地区分耐药菌株和敏感菌株。然而，对于环丙沙星的预测则较为困难，主要是因为数据中只有4%的样本显示抗性，导致识别难度增加和敏感性较差。其中，AB和XGB模型在处理数据不平衡的情况下表现尤为突出，显示出较高的准确率。 Vital博士强调，这种方法在实时监测抗生素耐药性方面具有巨大的潜力，尤其是在农业领域。随着DNA测序技术的快速发展和成本降低，像他们这样的预测模型可以在早期检测到耐药细菌，防止爆发，从而为食品安全、农业和公共卫生计划提供更好的决策依据。她还呼吁在未来的研究中增加更多样化的样本类型和数据来源，如宏基因组数据，以更全面地理解和预测细菌如何发展出耐药性。此外，Vital博士强调跨学科合作的重要性，指出微生物学家与统计学家的合作有助于实现对社区有实际影响的研究成果，如农业食品安全。 该研究展示了AI技术在解决抗生素耐药性问题上的巨大潜力，未来可能会进一步推动相关技术的发展和应用。研究人员所在的菲律宾大学迪里曼分校是一所享有盛誉的科研机构，致力于通过前沿科技解决复杂的社会和环境问题。