XAI破解超级细菌：可解释AI发现抗碳青霉烯鲍曼不动杆菌的协同抗菌组合

印度医学研究委员会（ICMR）支持的研究项目运用可解释人工智能（XAI）技术，系统筛选对抗碳青霉烯耐药鲍曼不动杆菌（CRAB）的协同抗菌药物组合，为应对这一WHO列为最高优先级的耐药病原体威胁提供新治疗策略。本研究结合AI技术与生物学知识，试图解决传统药物筛选效率低的问题，是AI在公共卫生领域应用的重要探索。

抗生素耐药性（AMR）是全球公共卫生十大威胁之一。CRAB作为机会性致病菌，通过碳青霉烯酶产生、外膜通透性降低、外排泵过表达、生物膜形成等多重机制耐药，导致肺炎、血流感染等严重疾病，治疗选择有限（如多粘菌素毒性大）。传统实验室筛选药物组合效率极低，协同机制复杂，亟需AI技术突破。

XAI的核心价值

传统机器学习模型为"黑箱"，XAI通过特征重要性分析、SHAP/LIME值、决策树可视化等技术，让模型预测可解释，满足研究者、临床医生及监管部门的需求。

研究数据与流程

• 数据来源：SynergyDB等公共数据库的协同数据、药物分子描述符、CRAB基因组数据、体外实验结果
• 模型构建：数据预处理→特征工程→模型训练（随机森林/神经网络等）→超参数优化→XAI解释→实验验证

常见协同机制

1. 靶点互补：作用于不同细菌靶点（如细胞壁合成+蛋白质合成）
2. 外排泵抑制：一种药物抑制泵出，提升另一种药物胞内浓度
3. 生物膜渗透：破坏生物膜让药物接触内部细菌
4. 代谢通路阻断：同一通路不同步骤协同抑制

XAI的机制揭示

通过特征分析推断机制：如关注脂溶性特征暗示膜通透性相关，关注特定化学基团提示靶点相互作用，区分菌株耐药机制提示针对性协同。

临床价值

• 为CRAB感染患者提供新治疗选择
• 协同组合可降低毒性药物剂量
• 联合用药延缓耐药性产生
• 助力老药新用加速临床转化

方法学与全球影响

• 展示XAI在抗菌药物发现中的潜力
• 为其他耐药病原体研究提供参考
• 开源成果支持全球研究者共享改进，尤其帮助低收入国家应对CRAB威胁

1. 数据质量：公开协同数据实验条件不一致
2. 体外-体内差异：模型基于体外数据，体内环境（代谢/免疫）影响效果
3. 菌株异质性：不同CRAB菌株耐药机制差异大
4. 临床转化：需动物实验、临床试验等漫长验证
5. XAI局限：解释模型行为而非直接揭示真实生物学机制

本研究体现AI与人类智慧的协作——XAI增强研究者对模型的理解，而非替代专家。在AMR危机加剧背景下，这种人机协作是对抗超级细菌的关键武器。期待项目取得进展，为CRAB患者带来希望，树立AI在医学研究应用的标杆。