使用機器學習集成方法預測抗生素抗性並挖掘鮑曼不動桿菌的潛在抗性基因

抗生素抗藥性（AMR）已成為全球公共衛生的關鍵威脅，特別是多重抗藥性鮑氏不動桿菌（Acinetobacter baumannii）的崛起。此機會性病原體以其高度的遺傳可塑性及逃避最後一線抗生素的能力而聞名，使其成為計算監測與治療創新的首要目標。本研究開發了一個集成機器學習架構，用以預測六種不同抗生素類別的抗藥性表型，並解碼驅動這些表型的潛在基因特徵。藉由利用泛基因組（Pan-genome）的特徵空間，本研究管線評估了四種不同的機器學習架構與三種特徵選擇策略，進而分離出具高度預測能力的「共識核心（Consensus core）」基因特徵。
實驗結果表明，將互利特徵選擇算法應用於無限制全基因泛基因組策略時，能達到最高的預測效能。在所有評估的模型中，基於極限梯度提升（XGBoost）的架構展現出卓越的分類準確度，其曲線下面積（AUROC）始終達到 0.97 以上。除了高保真度地重新識別出傳統的抗藥性決定因素（如 blaOXA-23 和 blaOXA-51 碳青黴烯酶譜系、氨基糖苷類修飾酶及轉錄外排調節因子）之外，深度同源性解析更揭示了一個龐大的「Unannotated genes」。在該管線分離出的 138 個高影響力假定蛋白（Hypothetical proteins）中，有 74.6%（103 個特徵）仍完全未被表徵，這凸顯了傳統標靶基因編目法的局限性。
對其餘隱蔽特徵的功能解析，結合 Cytoscape 拓撲網絡映射，揭示了一個高度協調且多層次的生理防禦網絡。氨基糖苷類數據集分裂成鏡像 Class 1 整合子的碎片化抗藥島，而碳青黴烯網絡則顯示出整合的宏觀集群（Macro-cluster）拓撲結構。該架構分化為攜帶集群碳青黴烯酶的特化（Enzymatic structural components），以及由多重抗藥外排網絡主導的能量驅動（active extrusion machineries）。
此外，網絡交集識別出一個高度保守的推定「Mobile resistome」共識模組。在該模組中，結構性噬菌體、IS26 類插入序列及細胞包膜重構元件，與通用的 AAA+ ATPase 能量引擎室在物理上緊密相連。這些發現共同證明，鮑氏不動桿菌不僅僅是繼承了孤立的抗藥酶，而是將它們整合到自我維持且具移動性的代謝生態系統中。最終，本研究提供了一個識別非典型基因組標靶的框架，為應對全抗藥性病原體的高級診斷建模和新型治療干預奠定了基礎。
關鍵字： 鮑氏不動桿菌、抗生素抗藥性、泛基因組、機器學習、集成特徵選擇、基因共現網絡