AI辅助MALDI-TOF MS鉴定临床鲍曼不动杆菌碳青霉烯耐药性

碳青霉烯耐药鲍曼不动杆菌（CRAB）感染率高、致死率可观、治疗选择有限，被普遍视为全球最关键的公共卫生威胁之一^[1]。其耐药主要源于获得碳青霉烯水解的OXA型酶基因（以oxa23分布最广），并借ST1、ST2等国际克隆在全球播散^[1]；在医院环境中，耐药克隆一旦出现便可在重症监护病房迅速蔓延^[5]。治疗层面同样吃紧：多黏菌素虽是常用选择，但耐药已在出现，一项20例的分析中30天全因死亡率仍达30%^[3]，而头孢地尔（cefiderocol）的疗效与安全性^[4]以及靶向LptB2FGC复合体、在50余年缺乏新化学类别之后出现的zosurabalpin^[6]，都提示新药研发正在追赶。在这一背景下，能否快速判断一株鲍曼不动杆菌对碳青霉烯是否耐药，直接关系治疗决策。MALDI-TOF质谱虽早已改变细菌学常规，1660株细菌中95.4%可被正确鉴定^[2]，但其常规用途停留在“是什么菌”，难以回答“是否耐药”。

这条新消息报道的正是针对后一问题的尝试：研究者建立了MALDI-TOF MS与人工智能结合的整合框架，用于快速预测鲍曼不动杆菌的碳青霉烯耐药。研究纳入来自住院患者的191株临床与监测分离株，经标准MIC药敏试验区分为CRAB与碳青霉烯敏感株（CSAB），采集质谱图谱后系统比较6种AI模型。其中XGBoost判别性能最佳，区分CRAB与CSAB的准确率达96.36%，且整体性能稳健。特征重要性分析显示，其高预测性能部分由与水平基因转移相关元件以及膜和转运相关蛋白相关的光谱特征驱动，为耐药提供了候选分子关联。

相对已有认识，这项工作的推进在于把MALDI-TOF MS的用途从菌种鉴定^[2]拓展到耐药表型预测：在同一质谱平台上，借助机器学习从常规光谱中读出耐药信息，并给出可解释的特征线索。特征分析指向水平基因转移相关元件，与既往认为耐药主要来自获得性碳青霉烯酶基因的机制认识在方向上相互呼应^[1]，也为在蛋白层面继续解析耐药提供了抓手。

当然，结果仍需审慎看待：191株的规模与96.36%的准确率能否推广到不同地区、不同克隆背景的菌株，光谱特征与耐药之间是相关还是因果，都有待更大规模独立队列验证；从候选分子关联走到可常规用于临床的快速药敏工具，也还有相当距离。