Machine Learning Prediction of Antimicrobial Response in Pleurotus ostreatus Extracts Cultivated on Cassava Peel: A Proof-of-Concept Study

想象一下那个由微小的、肉眼看不见的入侵者——细菌和真菌——组成的世界，它们有时会让我们生病。长期以来，我们一直拥有被称为抗生素的特殊武器来对抗这些入侵者，但这些入侵者正变得越来越聪明。它们正在学习如何躲避我们的武器，这个问题被称为“抗生素耐药性”。这就像一场捉迷藏游戏，躲藏者变得越来越擅长躲藏，而我们需要寻找新的方法来抓住他们。一个充满希望的想法是去观察大自然自带的“药房”，特别是蘑菇。一些蘑蘑菇，比如平菇（Pleurotus ostreatus），以制造能够阻止这些坏虫子活动的化学物质而闻名。更酷的是，这些蘑菇可以生长在一些我们通常扔掉的东西上，比如木薯根的皮。但棘手的部分在于：测试每一批次的蘑菇对每一种细菌的效果既缓慢又昂贵，而且需要大量的人力。科学家们正在思考，是否可以使用一个由数学和计算机组成的“水晶球”——被称为机器学习（Machine Learning）——来预测哪些蘑菇提取物效果最好，甚至在他们开始那些繁琐的实验室测试之前。

这篇论文是一项“概念验证”研究，这是一种高级说法，意思是：“让我们做一个小测试，看看这个‘水晶球’的想法是否真的可行。”研究人员在木薯皮上种植了平菇，然后用两种液体提取物：一种是用酒精（乙醇）做的，另一种是用水做的。他们将这些液体针对七种不同类型的细菌进行了测试，以观察它们在多大程度上能阻止细菌生长。研究人员不仅仅是观察结果，而是将所有数据输入到一个名为“随机森林”（Random Forest）的模型程序中。把这个模型想象成一个超级有条理的侦探，它在寻找线索——比如用来制作提取物的液体类型、正在对抗的细菌类型，以及蘑菇批次的化学成分——以此来预测结果。

这位侦探在执行一项特定任务时做得还不错：预测“抑菌圈”的大小。想象一下在培养皿上画一个圆圈，细菌无法在其中生长；圆圈越大，说明蘑菇提取物的效果越好。计算机模型能够以中等的成功率预测圆圈的大小，其准确度得分（R平方）为0.68。它在预测某些条件下会出现大圆圈方面表现得相当出色。侦探发现最重要的线索是提取溶剂。提取物是用酒精还是水制作的，这比蘑菇批次之间微小的化学差异要重要得多。事实上，蘑菇具体的化学成分对预测的贡献非常小。

然而，当侦探试图预测另一件事时，却碰壁了：最小抑菌浓度（MIC）。这是衡量完全阻止细菌生长所需的提取物量。当计算机试图猜测某种提取物是属于“胜者”还是“败者”时，它的表现很差，正确率仅为43%。它基本上是在黑暗中盲目猜测。这告诉我们，科学家提供的线索——比如批次的化学成分和细菌类型——还不足以区分出强效提取物和弱效提取物。

那么，结论是什么呢？这项研究表明，机器学习可以成为探索蘑菇药物研究的一个得力的助手，但它现在还不是一根魔杖。计算机了解到，用于制作提取物的液体类型是一个大问题，但它无法弄清楚药物强度的精细细节。作者谨慎地指出，这些结果仅仅是开始。由于他们只测试了少量的样本（42个观测值）且仅使用了三个批次的蘑菇，所以整体画面仍然有些模糊。为了构建一个真正可靠的水晶球，他们表示我们需要更大的数据集，测试更多种类的蘑菇和细菌，并进行更详细的化学测量。目前来看，这项研究是一个有趣且充满希望的第一步，展示了将生物学与计算机科学相结合的潜力，即便计算机在取代实验室工作台之前，还需要完成更多的“家庭作业”。