An Ensemble Deep Learning Framework for Single-Cell Phenotypic Profiling of Escherichia coli under Antibiotic Stress

细菌并非静止的微粒；它们是活着的机器，在感到受到威胁时会改变其形状和内部结构。当细菌遇到抗生素时，它并不会只是静静地坐着等待被杀死，而是会做出反应。有些细胞会拉长，有些则会收缩，而它们内部缠绕的 DNA 链可能会聚集成团或发生断裂。这些物理变化是细胞发出求救信号的方式，或者在某些情况下，是进行防御的一种方式。几十年来，科学家们一直依赖于等待细菌在培养皿中生长，以观察某种药物是否有效，这个过程可能需要整整一天或更长时间。在药物耐药性感染不断上升、使曾经可治愈的疾病变成危及生命的危机的世界里，这种延迟是危险的。为了加速这场战斗，研究人员现在正在寻找能够即时读取这些细微物理变化的方法，利用细胞自身的外观作为地图，来了解其内部正在发生什么。

一个研究小组开发了一种实现这一目标的新方法，创建了一个可以观察单个细菌并准确告诉你哪种抗生素正在攻击它的系统。他们专注于大肠杆菌（Escherichia coli），这是一种常用于研究药物作用的常见细菌。在实验室中，他们将这些细菌暴露在四种不同类型的抗生素中，每种抗生素的设计初衷都是以独特的方式攻击细胞。一种药物阻止细胞制造蛋白质，另一种阻止其构建坚固的外壁，第三种破坏了维持细胞杆状结构的内部支架，第四种则阻断了其遗传物质的复制。为了观察结果，他们拍摄了细菌的高分辨率照片，并使用特殊的染料使细胞的外膜发出红光，使内部的 DNA 发出蓝光。

挑战在于，这些变化非常微妙，且发生在人类肉眼无法快速分辨的微小尺度上。为了解决这个问题，研究人员构建了一个基于深度学习（一种通过观察成千上万个样本进行学习的人工智能类型）的计算机系统。首先，他们教会了计算机在拥挤的显微镜图像中找到单个细菌并将其切割出来，就像从一张拥挤的照片中分离出一个单独的人一样。然后，他们将这些分离出的图像输入到一个包含 13 个不同计算机模型的套件中。其中一些模型旨在识别形状模式，而另一些则旨在理解图像中不同部分之间的关系，就像人类观察一张脸并识别眼睛与嘴巴之间的联系一样。

研究人员发现，虽然其中一些计算机模型在猜测正确的抗生素方面表现相当出色，但没有一个模型是完美的。表现最好的单个模型使用了名为 Swin Transformer 的复杂架构，它能以约 91% 的准确率正确识别药物。然而，团队意识到，通过结合多个不同模型的意见，他们可以做得更好。他们创建了一个“集成”（ensemble）系统，在这个系统中，计算机向三位不同的“专家”——Swin Transformer、名为 CoaT 的模型以及经典的 ResNet18 模型——征求意见并进行投票。通过仔细权衡这些选票，该系统达到了新的准确度水平，正确识别了 94% 的案例。这种方法证明，倾听一组多样化 AI 模型的意见比仅仅依赖一个模型更可靠。

除了仅仅猜测药物之外，该系统还学会了精确描述细菌是如何变化的。它可以区分由于细胞壁失效而变得呈球形的细胞，以及由于内部结构受损而拉长的细胞。例如，系统了解到，当特定药物阻断 DNA 复制时，细菌保持其杆状形状，但其内部 DNA 链会变得细长且伸展。而当另一种药物停止蛋白质生产时，细菌保持杆状，但其内部 DNA 会变得紧密堆积。这些特定的视觉特征使得计算机不仅能命名药物，还能理解其伤害细胞的机制。

这项研究表明，这种自动化的、基于图像的分析可以成为对抗抗生素耐药性的有力工具。与其等待数天让细菌生长，医生或研究人员可能只需要采集样本、拍张照片，并使用该系统立即看到细菌是如何反应的。研究人员指出，虽然他们的系统运行良好，但它尚未成为医院中的成熟产品。他们指出，要使其真正稳健，他们需要用更多的图像进行训练，并且或许可以使用延时摄影视频来观察细菌随时间的变化过程。尽管如此，这项工作表明，通过教会计算机识别细菌形状的微妙语言，科学可以更快地迈向理解并阻止耐药性感染传播的目标。