基于PCR的检测方法在临床的应用有限 ， 因为它需要仪器、试剂和培训过的技术人员 。 Visby的诊断测试是通过一个简单的颜色变化来简化分析 ， 从而绕过这些限制 。 扩增后的基因片段会进入设备中的一个腔室 ， 该腔室包含针对每个基因突变体的捕获探针 。 探针和基因片段的结合会导致颜色变化 ， 这将反映淋球菌对环丙沙星是敏感还是耐药<6> 。
其他人则继续探索全基因组测序 ， 以捕获导致抗药性的基因突变谱 。 但基于这些信息开发低成本、快速的检测方式仍然是个难题 。 研究基因组学与机器学习的英国伯明翰大学数据科学家Nicole Wheeler认为 ， “这不仅与抗性基因的存在有关 ， 还与它的表达有关 。 我们收集的转录组学和蛋白质组学数据越多 ， 我们就越有可能提高预测耐药性的精确度 。 ”
单纯基于基因组测序的技术对某些病原体很有效 ， 如肠道沙门氏菌（Salmonella enterica） ， 但多种调控基因的突变会改变其他病原体的基因表达模式（从而导致耐药性） ， 包括铜绿假单胞菌 。 H?ussler说：“一般而言 ， 所有转录组数据都在基因组中 。 但是 ， 有时候观察转录组数据比搜寻所有可能改变基因表达的突变更容易 。 ”
例如 ， 2014年 ， 日本大阪理化研究所（RIKEN）的生物工程师古澤力研究了实验室大肠杆菌菌株在不同抗生素下的适应生长 ， 并且他可以使用基因表达的变化来预测抗性 ， 这比基因组DNA序列更准确<7> 。 古澤说 ， 基因表达和抗药性之间的相关性明显高于抗药性和基因组标记之间的相关性 。
未来预测细菌耐药性
H?ussler等人的工作优化了基因组和转录组标记的联用 ， 将其作为预测铜绿假单胞菌抗生素耐药性的最佳标记<8> 。
但为了改进模型 ， 他们求助于机器学习 。 机器学习并非简单地识别产生耐药性的基因突变 ， 而是利用算法识别DNA和RNA变异的特征 ， 预测菌株对抗生素的耐药性<8> 。 H?ussler表示 ， 算法只能帮助识别关键特征 ， 这不会成为最终诊断测试的一部分 。 不过Wheeler说 ， 这种方法还是可以解决仅通过基因组获得所有“细菌-药物”组合的问题 。
这些算法不仅能告诉医生病原体目前的耐药性情况 ， 还能揭示菌株在治疗过程中可能产生的抗生素耐药机制 。 然而 ， “仍然很难判断一个算法是否值得信任 ， ”Wheeler说 ， “它们是个黑箱 。 即使你有全部的代码和数据 ， 也不一定知道 ， 比方说 ， 是什么让模型判断样本A会对阿奇霉素产生耐药性 。 ”
开发人员正在努力解决的另一个问题是过度拟合 ， Wheeler说 ， 算法可能会“记住数据中大量不重要的特征” ， 而不是学习找到真正的相关性 。 由于细菌的基因序列可能非常相似 ， 机器学习工具可能会过度简化问题 ， 得出错误的结论 。 Wheeler将这个问题比作能力不足的图像搜索：通过许多农畜照片进行训练的算法 ， 可能会将一张开阔地的照片识别成羊 。 细菌经常通过不属于其基因组的DNA小环状片段相互传递抗生素抗性基因 。 “但由于基因组的其余部分相同 ， 算法可能会判定菌株仍然敏感 ， ”她说 ， “而我们想要这些算法模型能从中学到的是抗药性机制 。 ”
鉴于结核病研究和测试的种种限制 ， Farhat采用了一种机器学习方法 ， 使用整个基因组序列进行预测 。 今年4月 ， 她和同事描述了一种名为GenTB的网络工具 ， 它可以预测细菌对几种结核病药物的耐药性<9> 。 该工具的性能随着输入序列数据的质量和所选药物而变化 。 Farhat说 ， 尽管导致细菌对结核病一线药物高达80%耐药性的是一种常见突变 ， 但有几种罕见的突变能小幅提高微生物对二线药物的耐药性 。 她说：“有时只有当存在数个这类突变时 ， 你才会看到抗药性 。 ”