2018年10月18日《自然-通讯》报道，加州大学的研究人员开发出一种方法，利用机器学习识别和预测使传染性细菌产生抗生素抗性的基因。利用该方法在结核分枝杆菌上进行测试，鉴定出了33种已知和24种新的抗生素抗性基因。
研究者表示，了解哪些基因赋予抗生素抗性可能会改变未来传染病的治疗方式，例如，如果临床上持续感染结核病，医生可以对该菌株进行测序，查看其基因并确定哪些抗生素有效，然后为该菌株开出个性化的抗生素处方。
该团队使用大量基因组序列和对应表型进行训练，该算法就可以预测一组基因是否会导致抗生素抗性。研究发现了结核杆菌的33个已知的和24个新预测的抗生素抗性基因，目前正在测试该算法预测的24个新基因是否确实赋予结核分枝杆菌抗生素抗性。研究者进一步分析了该算法的预测，并确定了可能相互作用并使菌株具有抗生素抗性的等位基因组合。他们还将这些等位基因定位于结核分枝杆菌蛋白质的晶体结构上（发表于Protein Data Bank）。他们发现有些等位基因聚集在蛋白质的某些结构区域。研究者进行了相互作用和结构分析，挖掘这些基因如何对抗生素抗性表型产生影响。
研究者下一步将机器学习方法应用于其他传染性细菌。该团队正在将代谢网络的基因组模型与其机器学习方法结合，以探究抗生素抗性进化的潜在机制。
吴晓燕 编译自https：//phys.org/news/2018-10-machine-antibiotic-resistance-genes-tuberculosis-causing.html
原文链接：https://www.nature.com/articles/s41467-018-06634-y
原文标题：Machine learning and structural analysis of Mycobacterium tuberculosis pan-genome identifies genetic signatures of antibiotic resistance