深度狙擊抗藥性細菌

細菌對抗生素的抗藥性已然成為本世紀公共衛生重大威脅，對院內感染的急重症患者尤其致命。現今臨床上仍主要運用antimicrobial susceptibility testing (AST) 來辨識抗藥性，然而此法需耗費數天，且對實驗室環境與操作技術要求高，往往緩不濟急，因此學界正嘗試使用深度學習來加速流程，希冀能及早拯救更多性命，同時也減輕成本負擔。

維吉尼亞理工大學團隊提出 DeepARG [1]，從識別抗藥基因  (Antibiotic Resistance Genes, ARGs) 著手。過去多以比對目標基因序列與抗藥基因資料庫序列之相似性來進行，但此法易有高僞陰性而漏失許多抗藥基因，尤其未曾被記錄過的新型潛在抗藥基因。DeepARG以註釋完善的CARD、ARDB資料庫作為標準答案，將對應抗生素整併成30大類，接著用文字探勘方法來提取UNIPROT資料庫中與30類抗藥性相關的基因，合併共14933個基因序列作為輸入值。深度學習模型的分類結果使用多種其他資料庫序列來驗證，發現對基因樣本數多的分類準確度可高達99％，甚至能發現從未記載過的新型抗藥基因，但對於樣本數少的類別，準確度便低許多，凸顯出若能進一步完善化數據，將可使深度學習模型有足夠能力預判任何類型的抗藥基因。

另一方面，亞利桑那大學團隊則提出DLVM-AST [2]，不像DeepARG方案需要基因註釋資料庫，是從巨觀角度使用顯微鏡建立細菌動態影片數據庫來分析，其針對尿道感染最常見的大腸桿菌，抗生素可造成無抗藥性者在運動、形態、細胞分裂等動態的改變，如polymyxin B可降低移動速度，aztreonam使細菌形狀拉長。將染菌尿液與過濃的抗生素或等量水混合，導入微流體 (Microfluidic chip) 後，以光學顯微鏡錄影，再將影片中各別細菌的部分獨立疊合成一張靜態影像作為動態軌跡，輸入卷積神經網絡 (convolutional neural network, CNN) 進行訓練。模型可分辨細菌動態是否受抗生素抑制，並可計算未受影響者的佔比，進一步繪製抑菌濃度曲線得到最小抑菌濃度 (minimum inhibitory concentration, MIC)。結果顯示模型分辨抗藥性的影響，準確度高達87%，且計算的最小抑菌濃度與黃金標準broth macrodilution (BMD) 非常相近，其優勢在於卷積神經網絡只需30分鐘，而標準方法最快也要一天以上才能得到結果。作者指出未來若加入生化特徵，例如ATP消耗量、蛋白質與核酸濃度等，將可能提升敏感度和特異度。

相比於上個世紀的人菌大戰，本世紀的超級細菌逆襲更顯得棘手且分秒必爭，透過深度學習的能力，將可能幫助人類更迅速精準地奪得先機。

 

參考資料：
1. Arango-Argoty, G., Garner, E., Pruden, A., Heath, L. S., Vikesland, P., & Zhang, L. (2018). DeepARG: A deep learning approach for predicting antibiotic resistance genes from metagenomic data. Microbiome, 6(1), 23. https://doi.org/10.1186/s40168-018-0401-z
2. Yu, H., Jing, W., Iriya, R., Yang, Y., Syal, K., Mo, M., … & Tao, N. (2018). Phenotypic antimicrobial susceptibility testing with deep learning video microscopy. Analytical chemistry, 90(10), 6314-6322. https://goo.gl/rduF6z

撰文│鄭仕群
審稿│葉意茹