扩散盘试验板。致谢：Pierangeli Vital博士
大肠杆菌（E. coli）是一种常见于人畜肠道内的细菌，常被用于检测环境中的粪便污染。这种细菌在农业环境中（如粪肥施用或废水回用场景）极易产生抗菌素耐药性，成为研究耐药性的理想模型。
传统实验室的抗菌素耐药性分析方法耗时且劳动强度大，难以满足大规模监测需求。为此，菲律宾大学迪里曼分校科学学院自然科学研究所以及统计学院的研究人员，利用人工智能（AI）预测模型对美国国家生物技术信息中心（NCBI）数据库中的大肠杆菌遗传数据和实验室测试结果进行了分析。
"我们选择的AI模型在处理生物数据和不平衡数据集方面具有优势，"Vital博士解释道。"通过比较不同学习策略的模型性能，我们旨在找出最适合预测抗菌素耐药性的工具。"
研究使用的AI模型包括：适用于高维数据的随机森林（RF）、擅长复杂分类任务的支持向量机（SVM），以及通过聚焦难分类样本提升准确率的集成方法——自适应提升（AB）和极端梯度提升（XGB）。
研究发现：
- 链霉素和四环素的耐药性预测准确率最高，模型能有效区分耐药菌株与敏感菌株。
- 环丙沙星预测难度最大，仅4%的耐药样本导致模型敏感度下降。
3 集成方法（AB和XGB）在耐药数据分布不平衡的情况下仍保持稳定表现。
"随着DNA测序技术的快速普及和成本下降，我们的预测模型能在细菌爆发前就识别耐药菌株。"Vital博士强调AI预测模型在农业领域的潜力，"这项技术将助力食品安全、农业生产和公共卫生项目的决策优化。"
研究团队建议：
- 引入宏基因组数据等多样化样本类型
- 加强微生物学与统计学的跨学科合作
- 聚焦耐药基因的分子机制研究
该成果发表于《马来西亚微生物学杂志》。
【全文结束】
