PNAS：利用生长动力学进行菌株鉴定和抗生素耐药性预测 | CNGBdb支撑发表科研成果速递

在生物学中鉴定生物体的身份和感兴趣的表型特征很关键！

2020年8月3日，来自杜克大学和深圳华大生命科学研究院的研究人员在《PNAS》发表了其最新研究成果，利用生长动力学进行菌株鉴定和抗生素耐药性预测。细菌的生长和环境之间存在反馈——细菌生长过程中影响所处的环境，环境改变后又反过来影响细菌生长的速率。不同细菌与环境之间的反馈是不同的，从而导致细菌的生长速率随时间独特的震荡。这些生长速率的震荡可以被用来区分不同的菌株，或预测菌株对抗生素的反应。这项研究成果为鉴定不易追溯至遗传机制的性状奠定了基础。

此项研究中使用的所有分离株的原始全基因组测序（WGS）数据已保存在国家基因库生命大数据平台（CNGBdb），项目编号：CNP0000455。

研究背景

在微生物学中，鉴定细菌的主要方法是通过鉴定可观察到的表型。全基因组关联研究有助于识别与观察到与表型性状有关的基因，例如编码β-内酰胺酶的基因已成为鉴定β-内酰胺类抗生素耐药性的遗传标志。然而，基因及其产物如何影响生物体的行为通常是难以预测的，例如即使存在β-内酰胺酶基因，也可能因为表达量过低而不耐药。

反过来，一个生物的表型特征不可用来推断其完整的基因组信息，但却足以用于区分感兴趣的生物，例如，大肠杆菌的致病菌株和共生菌株可以通过它们利用的碳源进行区分。另外，在两种不同环境中生长的单一菌株通常表现出两种截然不同的表型。然而，这些表型是内在联系的，因为它们都产生于相同的基因型。有了足够强的相关性，就可以用一个来推断另一个。

细菌细胞及其环境之间的相互作用是复杂的，会随着时间和环境条件的变化而变化。先前的研究表明，这些相互作用可以体现在生长动力学中，它量化了细菌细胞随时间的生长变化。研究团队利用这一特性将生长速率随时间的变化用于菌株鉴定和抗生素耐药性预测。

研究内容

研究团队利用了从杜克大学医院和北卡罗来纳州社区医院系统收集的患者的分离菌株库进行研究。该菌株库包含244个临床分离菌株的全序列，根据全基因组测序（WGS）对应203个独特的菌株，根据多位点序列分型（MLST）对应41个独特的序列类型。

研究人员使用生长曲线的时间导数作为输入训练支持向量机(SVM)模型，随后通过生成的技术重复数据集（使用基于SNP的方法进行菌株定义，平均分类准确性为91.50％，基于MLST的方法，平均分类精度为97.56％）、同一临床分离菌株库生物学和技术重复生成的二级数据集（基于SNP的方法平均分类准确率为82.56%）验证了模型预测能力的稳定性。

由于仅根据生长动力学就能精确区分不同菌株，研究人员下一步探究了遗传距离和表型距离是否存在相关性，结果发现临床分离株和环境分离株的表型和遗传距离之间均无相关性。在施加噬菌体和抗生素的条件下，研究人员发现，虽然单独任一条件的遗传距离和表型距离之间都没有相关性，但是两种条件的生长动力学之间的相关性具备统计学显著性，这种相关性可能是因为这些性状通过基因型内在相关。

考虑到不同条件下生长动力学之间的强相关性，研究人员认为它们可以作为预测更远但仍相关的表型。运用基于表型和基于序列的方法对244种临床分离菌株的4种耐药性进行预测表明，基于表型的预测和基于序列的预测都提供了有价值的信息，并且可以相互配合使用。此外，这一结果证明了无须在相应的抗生素中生长也可以使用二级表型来预测抗生素耐药性。

研究意义

微生物学传统上被定义为对微生物表型特征的研究。虽然有些性状可以很容易地用直接的遗传基础来解释，但大多数是生物与其环境之间复杂交互作用的结果。此项研究证明，具有足够多信息内容的表型可用于区分不同菌株和预测抗生素反应等特征。这对临床医生如何更好地鉴定和治疗细菌感染具有启示意义。特别地，本次研究的结果强调了基于表型和基于序列的方法都贡献了有价值的信息，并且可以在实践中相互配合使用。

如何将数据存储至CNGBdb并完成文章发表？

CNGBdb 的数据[存]储功能由旗下的国家基因库序列归档系统（CNSA，db.cngb.org/cnsa）负责，这是国内首个实现在线批量上传和审编的组学数据归档库，可支撑全球科研成果发表。截至2020年7月31日，CNSA已支持论文发表147篇，发表期刊92个，包括Cell、Nature、Science、Lancet等。

审核人：肖敏凤
参考文献：Zhang C, Song W, Ma HR, et al. Temporal encoding of bacterial identity and traits in growth dynamics [published online ahead of print, 2020 Aug 3]. Proc Natl Acad Sci U S A. 2020;202008807.  
图片来源：参考文献，CNGBdb官网。