综述：从模式到预测：机器学习与抗真菌耐药性生物标志物的发现

　　本综述系统探讨了机器学习（ML）在抗真菌耐药性（AFR）生物标志物发现中的革新作用。文章对比传统AFR检测方法，突出ML整合质谱（MS）、分子动力学及多组学技术的高效性，强调其通过解析复杂数据模式加速耐药标志物识别、优化诊疗策略的潜力。作者呼吁跨学科合作以推动ML驱动AFR管理，为真菌感染提供精准治疗方案。

　　

抗真菌耐药性的全球挑战与机器学习介入契机

真菌病原体对人类健康、农业及生态系统构成重大威胁，其感染尤其在免疫缺陷人群中引发高发病率与死亡率。随着抗真菌耐药性（AFR）的日益加剧，现有治疗手段效果受限，亟需创新策略应对。传统AFR生物标志物发现依赖实验室对比与靶向突变，但存在耗时长、操作依赖性强等局限。机器学习（ML）作为人工智能的核心分支，通过分析海量数据模式，为AFR研究带来突破性进展。

抗真菌耐药性的机制与紧迫性

AFR问题在临床与环境环境中日趋严峻。抗真菌药物种类有限，主要分为三类：多烯类（破坏细胞膜固醇）、棘白菌素类（抑制1,3-β-_d-葡聚糖合成）及唑类（抑制麦角固醇合成）。耐药机制包括内在耐药（如物种固有结构特性）、获得性突变（如_ERG11/_CYP51A基因突变）、染色体非整倍性（通过基因拷贝数变化介导耐药）以及环境选择压力（如农业唑类杀菌剂使用导致交叉耐药）。其中，唑类耐药在烟曲霉中尤为突出，TR34/L98H突变导致全球性治疗失败与死亡率上升。新兴病原体耳念珠菌（Candida auris）更呈现多药耐药特性，加剧公共卫生危机。

传统生物标志物的局限与需求

AFR生物标志物主要包括遗传、蛋白质组、代谢组与转录组四类。经典案例如烟曲霉_CYP51A基因突变（G54、L98、Y121等位点）降低唑类结合力，耳念珠菌_FKS基因突变导致棘白菌素耐药。Efflux pump基因（如_CDR1/_CDR2）过表达通过外排药物降低细胞内浓度，而代谢标志物如_ERG3失活可改变固醇合成通路。分子伴侣Hsp90的稳定作用亦与多药耐受相关。然而，传统抗真菌药敏试验（AFST）需长达数日培养，且操作变量影响结果准确性，凸显快速精准检测技术的必要性。

机器学习技术概述与应用框架

机器学习分为监督学习、无监督学习、半监督学习与强化学习四大类。监督学习（如卷积神经网络、随机森林）依赖标注数据训练模型，适用于分类与回归任务；无监督学习（如PCA聚类）探索无标注数据内在结构；强化学习则通过环境反馈优化决策。在AFR研究中，监督学习主导生物标志物挖掘，而无监督学习常用于数据降维与模式可视化。

机器学习驱动的AFR生物标志物发现

质谱技术与蛋白组模式分析

基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）结合ML显著加速病原体鉴定。两种主流策略包括：复合相关性指数（CCI）统计法，通过光谱比对确定最小谱图变化浓度（MPCC），与微量肉汤稀释法MIC高度一致；以及原始光谱直接分类法，如偏最小二乘判别分析（PLS-DA）与支持向量机（SVM）区分烟曲霉耐药株准确率达88.3%–98.5%，同步识别潜在生物标志物。

分子动力学与结构特征挖掘

针对耐药靶点突变，分子动力学模拟结合ML揭示远端突变对药物结合的影响。例如，耶氏肺孢子菌二氢叶酸还原酶（pjDHFR）突变（F36C、S31F）通过破坏氢键与范德华力降低甲氧苄啶结合力。随机森林模型进一步筛选出20个关键分子特征，为唑类耐药机制提供新见解。

基因组与异质性耐药解析

ML助力基因组突变筛选与异质性耐药检测。通过对耳念珠菌逾22万突变的分析，递归特征削减与PCA鉴定出氟康唑、两性霉素B及米卡芬净耐药相关新突变，模型AUC值超0.85。逻辑回归与XGBoost模型仅需10个遗传标记即可高效预测隐球菌与近平滑念珠菌的异质性耐药，规避传统培养延迟。

代谢组与药物应激响应

拉曼光谱结合约束性ML线性模型追踪药物暴露后代谢动态。耳念珠菌经两性霉素B与5-氟胞嘧啶处理后，细胞壁脂质（麦角固醇）、多糖几丁质及核苷酸（胸苷、胞苷）含量显著变化，且5-FC诱导菌丝生长，揭示应激响应标志物。

跨耐药性预测与未来方向

化学遗传学数据结合决策树ML已成功拓展大肠杆菌抗生素交叉耐药互作网络，类似策略在 antifungal 领域的应用尚待开发。ML整合多组学数据、加速生物标志物临床转化、优化个体化治疗，将是应对AFR的核心方向。