近日，以色列理工学院Roy Kishony团队在Science杂志上发表了题为Minimizing treatment-induced emergence of antibiotic resistance in bacterial infections的文章。该文章利用测序技术和机器学习方法，基于尿路感染（UTI）和伤口感染患者的纵向大数据，建立了一个个性化抗生素推荐算法，为阻止耐药性的发生和传播提供了新策略。

研究人员首先对来自以色列Maccabi医疗保健服务机构2007年6月至2019年1月期间收集的UTI和伤口感染患者进行了统计筛选，结果显示，共有140,349例UTI患者和7365例伤口感染患者进行了单一种类的抗生素治疗。

对上述患者进一步分析表明，尽管采用敏感性匹配的抗生素进行治疗的患者早期复发率显著低于敏感性不匹配组，但是敏感性匹配组的早期复发率也不低（UTI，9.2%；伤口感染，5.1%）。在所有复发患者中，有30%的UTI患者和19%的伤口感染患者在使用抗生素治疗后会产生耐药性，并且不同抗生素产生耐药性的几率差异很大，其中几率最高的是一线抗生素环丙沙星。

上述数据说明，采用敏感性匹配的抗生素治疗是一把双刃剑，在大幅降低UTI复发概率的同时，增加了抗生素耐药性产生的可能。

为了进一步确定患者产生耐药性的机制，研究人员收集了来自于510名发生复发的UTI患者的1113个分离菌株，并对其中的大肠杆菌（造成UTI的主要原因）进行了测序和分析。研究人员比较了同一患者治疗前后分离株的遗传相关性，并鉴定了抗生素靶基因和抗性基因发生的变化。结果表明，UTI患者产生耐药性主要是由于菌株替换，即由具有耐药性的新菌株导致，而非原菌株进化突变造成。在伤口感染的患者中也得到了一致的结论。上述结果表明，对现有耐药菌的选择是造成治疗诱导耐药性的主要机制。

此外，结合患者过往的感染情况，研究人员还发现，相比于曾经没有发生过耐药性菌株感染的患者，曾经感染过具有耐药性菌株的患者在经过敏感性匹配的抗生素治疗后更容易产生抗药性。

由于并非是细菌的随机突变造成的耐药性，因此，研究人员进一步探究了是否可以在个体水平预测耐药性产生的概率，以选择最佳的抗生素疗法。结合患者的年龄、性别、潜在风险因素（怀孕、导尿管使用情况）、感染病史等，研究人员针对不同抗生素训练了对应的logistic回归模型，以预测产生耐药性的概率，并依据概率判断是否推荐使用该抗生素。

结果表明，该模型的判断结果良好。具体地，当患者使用了模型不推荐的抗生素后，往往更容易产生耐药性。如果患者采用的是模型推荐的抗生素进行治疗，耐药性的产生概率会明显降低。

综上，该研究开发了一个个性化抗生素推荐算法，为阻止耐药性的发生和传播提供了新策略。不过由于该算法还没有在新的患者中进行评估，因此还需要进一步的研究。

原文链接：

http://doi.org/10.1126/science.abg9868