近日，杜蘭大學 Tony Hu 教授團隊在Nature Communications發表了一項重要研究，介紹了一種組關聯模型（Group Association Model，GAM）的耐藥基因識別方法。該方法能夠精準識別與耐藥性相關的基因變異，並有效減少傳統全基因組關聯研究（GWAS）可能導致的假陽性交叉耐藥性假象，而無需依賴先驗知識。此外，該研究結合機器學習（ML）最佳化 GAM，提高了小型或不完整資料集的預測準確性。
圖1. 基於GAM的方法構建和臨床驗證。a對結核分枝桿菌分離株的藥物敏感性測試 (DST) 表型進行基因分型和最低抑菌濃度 (MIC) 培養分析。b透過基因型和表型資訊進行資料過濾。c將 結核分枝桿菌分離株序列和 DST 資料輸入 GAM 以識別與耐藥性相關的突變，然後使用統計指標評估 GAM 分類效能。d將機器學習應用於 GAM 分類為與耐藥性相關的 SNP，以預測耐藥性特徵。e進行多位點交叉驗證以表徵此 GAM + ML 預測方法的實用性。
GAM突破傳統耐藥性預測限制
微生物耐藥性主要由突變、水平基因轉移以及抗生素濫用等因素驅動，導致常用抗生素的治療效果下降。現有耐藥性檢測方法存在諸多侷限性：培養法需在不同抗生素濃度下培養微生物，耗時長且操作繁瑣，尤其對於生長緩慢的細菌；分子檢測（PCR 和微陣列技術）雖然可以快速檢測已知耐藥基因，但難以發現新型或罕見耐藥突變；DNA 測序可檢測新突變，但依賴現有突變資料庫，存在假陽性和假陰性問題；GWAS雖然在識別與特定耐藥表型相關的突變方面取得一定成果，但在分析多重耐藥表型時存在侷限性。
GAM 採用系統化統計分析策略，從群體、基因和突變層次篩選並識別與耐藥性相關的基因變異。在群體水平，研究者根據菌株的耐藥特徵進行分類，將所有藥物敏感的菌株作為對照組，並排除耐藥特徵獨特但樣本量過少的菌株。隨後，使用 Fisher’s 精確檢驗比較各耐藥群體的 DNA 變異，並校正多重檢驗誤差，僅保留顯著富集的變異進行後續分析。
透過計算耐藥菌群與敏感菌群的變異檢測率差異，篩選出優勢比≥1 的變異，將目標變異數量從 55.8×10⁶降至 31.0×10³，大幅提高了分析效率，精準鎖定與耐藥表型高度相關的關鍵突變。在基因水平，所有在特定耐藥菌株中顯著富集的 DNA 突變再次經過 Fisher’s 精確檢驗，以識別其與特定抗生素耐藥性的關聯，並歸類到相應基因，形成基因-耐藥突變關聯資料庫。在突變水平，進一步分析基因層面篩選出的變異，並結合 WHO 突變訊號評級系統進行分級評估，以識別罕見耐藥突變。這一系統化方法使 GAM 無需先驗知識即可精確識別耐藥基因變異，並有效減少 GWAS 可能出現的假陽性交叉耐藥性問題。
研究團隊應用 GAM 分析了 7,179 株結核分枝桿菌（Mtb）的基因序列與耐藥表型，成功識別出與抗結核藥物耐藥性相關的基因靶點。相比 WHO 基因突變目錄，GAM 顯示出更少的交叉耐藥性假象，無需依賴專家規則篩選，提高了預測的通用性和準確性。此外，GAM 在 3,942 株金黃色葡萄球菌（S. aureus）耐藥性分析中也表現出高預測能力，進一步證明了其適用於多種病原體的廣泛性。
研究團隊進一步結合機器學習（ML）最佳化 GAM，以提高預測準確度，尤其在小樣本或不完整資料集中。利用 427 株來自三家機構的 Mtb 臨床分離株進行驗證，結果顯示 GAM 提供的輸出變數比 WHO 方法更適用於 ML 模型，進一步提升了耐藥性預測精度。
臨床應用與未來展望
GAM+ML 的結合不僅能減少假陽性交叉耐藥性的誤判，還能在無先驗知識的情況下準確預測耐藥性突變，為個體化抗生素治療提供更精準的指導，也為低成本基因檢測 POCT（即時檢測）手段的開發提供理論依據。這一技術有望廣泛應用於耐藥性監測、藥物研發和公共衛生防控，為抗擊耐藥性微生物感染提供更高效的解決方案。
本文僅用於學術分享，轉載請註明出處。若有侵權，請聯絡微信：bioonSir 刪除或修改！