《Frontiers in Cellular and Infection Microbiology》：Urine volatile organic compounds profiling via GC-IMS combined with machine learning: a powerful diagnostic and pathogen differentiation tool for urinary tract infections
编辑推荐：
本综述创新性地将气相色谱-离子迁移谱（GC-IMS）技术与机器学习算法相结合，系统阐述了尿液挥发性有机化合物（VOCs）在泌尿系感染（UTI）诊断与病原分型中的转化价值。研究通过前瞻性队列（n=258）验证了乙酸（OR=3.27）、苯甲醛（OR=4.95）等11种差异VOCs的生物标志物潜力，构建的随机森林模型曲线下面积（AUC）达0.914，显著优于单一临床指标模型（AUC 0.831）。该策略突破了传统尿培养24-48小时的时间瓶颈，为抗生素精准治疗提供了代谢组学支持。
研究背景
泌尿系感染（UTI）作为全球最常见细菌感染之一，其临床管理长期受限于传统尿培养24-48小时的诊断延迟。当前快速筛查指标（如白细胞酯酶、亚硝酸盐）的敏感性与特异性存在较大变异，亟需开发兼具快速性、准确性并能提供病原学信息的新型诊断工具。微生物在生长代谢过程中释放的挥发性有机化合物（VOCs）作为"代谢指纹"，为感染诊断提供了新视角。气相色谱-离子迁移谱（GC-IMS）技术凭借高灵敏度、快速分析等优势，特别适合临床样本的高通量VOCs分析。
研究方法
本研究采用单中心前瞻性诊断准确性研究设计，纳入258例疑似UTI成人患者。所有参与者提供清洁中段尿样本，同步进行临床尿常规、尿培养（金标准）和GC-IMS分析。基于尿培养结果将患者分为感染组（152例，58.9%）和非感染对照组（106例）。通过GC-IMS技术检测尿液顶空中的VOCs成分，并结合年龄、体温、降钙素原（PCT）、C反应蛋白（CRP）等临床参数，采用逻辑回归（LR）、随机森林（RF）和支持向量机（SVM）三种机器学习算法构建诊断模型。
关键发现
研究共鉴定出33种尿液VOCs，其中11种在感染组与非感染组间存在差异表达。经Bonferroni校正后，乙酸（p=1.22×10-12）、苯甲醛（p=7.62×10-7）和呋喃（p=9.29×10-4）呈现最显著差异。随机森林算法整合临床与VOCs特征的表现最优，测试集曲线下面积（AUC）达0.914，准确率82.1%，敏感性87.0%，特异性75.0%。该模型显著优于单纯临床特征模型（AUC 0.831）或单纯VOCs模型（AUC 0.850）。
多变量分析确认乙酸（OR=3.27）和苯甲醛（OR=4.95）为UTI的强独立预测因子。值得注意的是，丙酮（OR=0.69）和2-甲基-1-丙醇（OR=0.52）表现出保护效应，可能反映了宿主共生微生物代谢活性或保护性代谢通路的状态。
病原分型探索
在152例感染患者中，革兰阴性菌感染占71.1%（主要为大肠埃希菌和肺炎克雷伯菌），革兰阳性菌占28.9%。VOCs谱在革兰阴阳性菌感染间显示出中度区分能力（AUC 0.800）。主成分分析（PCA）和t分布随机邻域嵌入（t-SNE）可视化显示病原体类型间存在部分聚类趋势，尽管组间仍有较大重叠。
代谢通路解析
通过构建重要VOCs的生化网络，发现这些分子主要富集于短链脂肪酸代谢（乙酸、丙酸等）、芳香氨基酸代谢（苯甲醛、甲苯等）和酮体/酒精代谢等核心通路。这种网络化分析将离散的VOCs变化与已知微生物生化途径直接关联，提升了研究结果的生物学可解释性。
临床意义与局限
本研究建立的临床-VOCs融合模型在决策曲线分析中显示出广泛的临床净获益（阈值概率0.1-0.8），有望在等待传统药敏结果期间为经验性抗生素选择提供关键参考。研究同时承认了单中心设计的局限性、GC-IMS对异构体分辨的挑战以及饮食/药物等混杂因素控制的需要。尽管对产超广谱β-内酰胺酶（ESBL）菌株的区分能力有限（AUC<0.6），但为后续靶向代谢组学研究指明了方向。
结论
尿液VOCs分析通过GC-IMS与机器学习融合，展现了作为UTI快速诊断与病原分型工具的显著潜力。这种基于代谢指纹的策略有望突破现有诊断瓶颈，推动抗感染治疗向更精准、及时的方向发展。
