科学家利用机器学习技术来帮助对抗养鸡场的抗生素抗药性问题
科学家们利用机器学习技术寻找新的方法来识别和定位家禽养殖场的疾病，这有助于减少抗生素治疗的需求，降低抗生素耐药传播至人类群体的风险。
这项研究发表在Springer Nature上，由诺丁汉大学兽医学与科学学院以及未来食物明灯工程的Tania Dottorini博士领导。该研究是诺丁汉大学与中国国家食品安全风险评估中心合作的1.5百万英镑FARMWATCH项目的一部分。
中国为满足不断增长的需求而急剧增加的家禽生产导致了广泛和随意使用抗生素。这已经导致了动物中诊断出的抗微生物耐药性（AMR）案例的明显增加，可能通过直接接触、环境污染和食品消费传播给人类。
随着抗生素耐药现在成为全球最严重的问题之一，鸡养殖中细菌感染的有效和快速诊断可以减少抗生素的需求，从而减少流行病和抗生素耐药性。
在这个项目中，诺丁汉的研究人员收集了一个中国农场和连接的屠宰场中动物、人类和环境的样本。现在，这些复杂的‘大’数据已经经过分析，寻找了新的诊断生物标记，可以预测和检测细菌感染、抗微生物耐药突变和传播给人类。然后，这些数据将使早期干预和治疗成为可能，减少传播和抗生素的需求。
该研究得出了三个关键发现。首先，在人类和肉鸡样本中发现了多种具有临床相关性的抗微生物耐药基因（ARGs）和相关的移动遗传元素（可以在基因组内部和细菌之间移动的抗生素耐药基因）。特别是，在不同宿主样本中发现了十一种临床重要的抗生素耐药基因，具有保守的移动ARG基因结构。
Dottorini博士表示：“如果我们仅仅使用大规模的传统比较分析，就会错过这些相似之处，事实上，微生物组和耐药基因组在不同环境和宿主之间存在差异。总的来说，这一发现表明，在解剖复杂的互联环境中的耐药基因组和微生物组的相似之处和差异时，采用多尺度分析的重要性。”
其次，这项研究表明，通过开发一个整合了宏基因组数据和基于培养的方法的机器学习方法，团队发现了一个与养殖场中循环的抗生素耐药有关的核心鸡肠耐药基因组。这些结果支持了这样的假设，即单个共生和致病细菌的耐药表型和它们所存在的耐药基因组中的ARGs类型之间存在相关性。
最后，利用传感技术和机器学习，团队发现与各种外部因素（如温度和湿度）相关的与抗生素耐药有关的核心耐药基因组。
Dottorini博士表示：“食品生产行业消耗大量抗生素，但这些环境中的抗生素耐药风险仍然没有得到充分理解。因此，非常关键的是开展针对这些环境的研究和改进的方法，以便在动物和人类可能密切接触的地方实现最佳优化。精准养殖、经济 DNA 测序和机器学习技术的更广泛采用为在农业环境中解析抗生素抗药风险提供了更好的理解和量化的机会。”
完整的研究可在此找到。
