杜兰大学Tony Hu教授团队在《Nature Communications》上发表的这项研究提出了一种新的方法，用于增强对多重耐药微生物的诊断。

研究背景

微生物耐药性是全球面临的重大公共卫生挑战之一。耐药微生物感染的治疗难度更大，可能导致治疗时间延长、医疗成本增加以及进一步耐药性的发展。

目前用于识别耐药性的方法存在局限性，例如基于培养的技术耗时且劳动强度大，分子方法只能识别已知的常见突变，而全基因组关联研究（GWAS）在评估多重耐药性时容易出现假阳性关联。

研究方法

研究团队提出了一种新的方法——群体关联模型（Group Association Model，GAM）。该方法通过将具有相同耐药性特征的微生物菌株分组，识别与耐药性相关的基因变异。具体步骤如下：

1. 数据分组：将菌株按耐药性特征分组，生成多个具有不同耐药性特征的组。

2. 变异检测：通过比较耐药组与敏感组之间的变异频率差异，识别与耐药性相关的变异。

3. 机器学习优化：将GAM识别的变异作为输入，结合机器学习（ML）进一步提高耐药性预测的准确性。

实验结果

• 基因变异识别：GAM成功识别了与九种一线和二线抗结核药物耐药性相关的基因变异，且假阳性率极低。

• 预测准确性提升：与单独使用GAM相比，结合机器学习后，耐药性预测的敏感性和特异性显著提高，尤其是对于耐药性模式复杂的药物。

• 数据完整性和样本量的影响：研究发现，数据缺失和样本量不足会降低GAM的性能，但GAM在处理小样本量数据时仍优于传统的线性混合模型（LMM）。

研究意义

这项研究提出了一种新的、高效且准确的耐药性诊断方法，能够快速识别与耐药性相关的基因变异，并通过机器学习进一步优化预测结果。

这种方法不仅适用于结核分枝杆菌，还可以推广到其他微生物的耐药性分析中，为抗耐药性感染的治疗提供了新的工具。