《ACS Sensors》：Single-Cell Nanomotion and Machine Learning for Parallel Bacterial Identification and Antibiotic Screening
编辑推荐：
本研究为应对细菌感染快速鉴定和抗生素耐药性检测的临床挑战，提出了一种创新的解决方案。研究者将单细胞纳米运动检测与机器学习相结合，利用石墨烯薄膜传感器实时捕获单个活细胞的纳米运动信号，并通过短时傅里叶变换（STFT）将其转换为时频谱图，再输入卷积神经网络（CNN）和支持向量机（SVM）模型。该方法在单次测量中，能以最高98.6%的准确度同时实现细菌种类（大肠杆菌、金黄色葡萄球菌、肺炎克雷伯菌）鉴定及其对美罗培南的耐药性判定，为开发数小时内完成的、无标记的快速病原体诊断技术提供了新范式。
在对抗威胁全球公共卫生的抗菌素耐药性（Antimicrobial Resistance, AMR）的斗争中，快速、准确的诊断工具是关键。然而，临床微生物学的常规流程常常面临一个令人头疼的“速度瓶颈”：鉴定细菌种类和测试抗生素敏感性（Antimicrobial Susceptibility Testing, AST）通常是两个分离的、耗时的步骤。传统的细菌培养鉴定和药敏试验动辄需要16到96小时，面对重症患者，医生往往在明确病原体前就得启用广谱抗生素，这不仅增加了治疗风险，也加剧了抗生素的滥用和耐药性的发展。现有先进技术，如基质辅助激光解吸电离飞行时间谱（MALDI-TOF），虽能快速鉴定细菌，却难以同步提供关键的药敏信息和最低抑菌浓度（Minimum Inhibitory Concentration, MIC）。有没有一种方法，能像“一拍即合”那样，在单个实验中同时完成“它是什么菌”以及“什么药能治它”这两大问题呢？
一项发表在《ACS Sensors》上的研究给出了一个充满潜力的答案。研究者们巧妙地融合了前沿的纳米传感技术与人工智能，开发出一种全新的并行诊断平台。其核心是“单细胞纳米运动”检测技术。研究人员利用悬空的石墨烯薄膜作为超灵敏的“纳米鼓”，当单个活细菌落在鼓面上，其生命活动（如鞭毛运动、新陈代谢等）引发的纳米级振动会使石墨烯膜产生微小的、随机的形变。通过激光干涉测量法，可以实时捕捉并记录这些“纳米运动”信号。这些信号就像是每个细菌独有的、动态的“生命指纹”。接着，研究者通过短时傅里叶变换（Short-Time Fourier Transform, STFT）将时域信号转换为时频谱图，将一维的振动波形转化为二维的、包含时间和频率信息的“图像”。
这些细菌的“生命指纹”图像，正是机器学习模型的绝佳“食粮”。研究团队构建了卷积神经网络（Convolutional Neural Network, CNN）和支持向量机（Support Vector Machine, SVM）两种模型，对两类任务进行了训练和测试：一是区分三种临床上常见且重要的病原菌——大肠杆菌（Escherichia coli）、金黄色葡萄球菌（Staphylococcus aureus）和肺炎克雷伯菌（Klebsiella pneumoniae）；二是在大肠杆菌中，区分对碳青霉烯类抗生素美罗培南（meropenem）敏感和耐药的菌株。所有用于研究的细菌均为来自荷兰德尔夫特Reinier Haga医疗中心医学微生物学部门的匿名临床分离株。
研究的主要技术方法包括：
首先是纳米运动信号的采集。使用化学气相沉积（CVD）生长的双层石墨烯，将其转移到刻蚀在二氧化硅（SiO2）上的圆形腔体上，形成直径8微米、深285纳米的“石墨烯鼓”。细菌样本在微流控系统中被泵入腔室，沉降在石墨烯表面。通过激光干涉测量系统实时监测单个细菌活动引起的石墨烯鼓反射光信号变化，从而获取纳米运动数据。其次是信号处理与特征提取。将采集到的30秒时域信号，通过短时傅里叶变换（STFT）转换为时频谱图（功率谱密度矩阵），作为机器学习模型的输入。最后是机器学习建模与分析。分别采用支持向量机（SVM）和卷积神经网络（CNN）对生成的细菌谱图进行分类建模。SVM模型将二维谱图展平为一维特征向量进行训练，测试了线性和4次多项式核函数；CNN模型则直接利用谱图的二维空间结构，通过卷积和池化层自动学习局部特征。通过混淆矩阵、准确率、敏感度、特异性及受试者工作特征曲线下面积等指标评估模型性能。
研究结果
纳米运动测量与信号处理
实验获得的纳米运动信号表现为随机振荡。将其转换为时频谱图后，不同细菌展现出独特特征。空石墨烯鼓的谱图仅有电子噪声引起的水平痕迹。活细菌的谱图则显示出活跃的特征：可运动的大肠杆菌在宽频率范围内表现出强烈、广泛的活动；不可运动的金黄色葡萄球菌功率谱密度（PSD）较低，频带较窄；同为不可运动的肺炎克雷伯菌则呈现出介于两者之间的中等强度、较宽的脉冲信号。这些视觉差异为机器学习分类提供了基础。
AST结果
研究人员利用CNN和SVM模型，基于经美罗培南处理1小时的大肠杆菌的纳米运动谱图，进行抗生素敏感性测试。结果显示，两种模型均能高效区分敏感和耐药菌株。CNN模型表现出最佳性能，总体准确率达到98.57%，能100%正确分类所有敏感菌株，对耐药菌株的识别准确率为95%。SVM模型（采用4次多项式核）总体准确率为97.14%，对敏感菌株的识别率为100%，对耐药菌株为90%。错误分类主要发生在将一小部分在抗生素处理后活性较低的耐药菌株误判为敏感株，这归因于训练数据中存在的表型特征重叠。耐药菌株的谱图通常显示出比敏感菌株更高、更广的功率谱密度。
细菌种类鉴定结果
在细菌种类鉴定任务中，研究同样应用了CNN和SVM模型。通过数据增强（旋转、缩放、平移）提高模型泛化能力后，CNN模型的总体准确率达到88.04%，能100%正确识别肺炎克雷伯菌，对金黄色葡萄球菌和大肠杆菌的识别准确率分别为84%和73%。SVM模型（采用线性核）总体准确率为87.04%，同样能100%识别肺炎克雷伯菌，对金黄色葡萄球菌和大肠杆菌的识别准确率分别为89%和70%。主要的错误分类发生在金黄色葡萄球菌与大肠杆菌之间，以及少量肺炎克雷伯菌被误认为大肠杆菌。模型性能评估（通过微平均ROC曲线分析）表明，尽管CNN的曲线下面积（AUC）略高，但SVM在控制低假阳性率方面表现更佳，这对于避免临床误诊尤为重要。
结论与意义
本研究成功证明，结合石墨烯纳米运动传感器与机器学习，可以基于单次测量，在数小时内并行完成细菌种类鉴定和抗生素敏感性测试。该方法无需标记或培养，直接分析单个活细胞的“生命振动”，实现了快速、无标记的诊断。CNN模型在抗生素敏感性分类任务中表现卓越，准确率高达98.6%，而SVM模型在细菌种类鉴定中展现了更好的泛化能力和更低的假阳性率。这为根据具体诊断需求（是更看重高准确度还是低误报率）选择优化算法提供了灵活性。
这项工作标志着细菌诊断学的一个范式转变。它将超灵敏的物理传感（纳米运动）与强大的模式识别（机器学习）相结合，为应对日益严峻的抗菌素耐药性挑战提供了一种极具潜力的解决方案。未来，通过开发集成多通道石墨烯传感器阵列的自动化检测卡盒，并扩大训练数据集以涵盖更多菌种和抗生素，该技术有望从实验室走向床边，实现从患者样本（如尿液、血液）到诊断结果的快速、一体化分析，从而指导精准用药，改善患者预后，并遏制抗生素滥用。
