AMR Syndrome

编辑丨王多鱼排版丨水成文2021年，细菌的抗微生物药物耐药性（AMR）导致了全球约 114 万例死亡，其中中低收入国家受到的影响最为严重。这个数字预计到 2050 年会增加至近 200 万。然而，大部分的 AMR 应对策略都关注过量使用抗生素问题，很少关注气候变化的背景以及社会经济条件。2025 年 4 月 28 日，中山大学公共卫生学院杨廉平团队在 Nature Medicine 期刊发表了题为：Changing climate and socioeconomic factors contribute to global antimicrobial resistance 的研究论文。该研究指出，当前的气候变化路径以及未能实现可持续发展战略，可能会导致到 2050 年抗微生物药物耐药性（AMR）的全球负担加重。研究团队预计，到 2050 年，全球 AMR 可能会增加最多 2.4%，并呼吁在单纯减少抗生素使用之外，立即采取行动应对更广泛的社会经济和环境因素，从而缓解全球 AMR 负担。在这项最新研究中，研究团队分析了对抗微生物药物耐药的 6 个关键细菌病原体的 3200 万分离株的 4502 份记录，这些记录收集自 1999-2022 年的 101 个国家。他们利用预测模型分析了社会经济和环境因素以及政策会如何影响全球 AMR 趋势。分析结果显示，在最坏的气候变化适应情景下，即本世纪末全球气温升高 4–5℃（SSP5-8.5），与低排放情景（SSP1-2.6）相比，AMR 到 2050 年可能会增加 2.4%。这一增幅在高收入国家为 0.9%，在中低收入国家为 4.1%，在低收入国家为 3.3%。 该研究还发现，可持续发展行动——例如降低自费医疗开支、扩大免疫接种规模、增加健康投入以及保证全民获得水、清洁和卫生服务，或可使 AMR 的未来流行率比基线水平降低 5.1%。这一效果有望超过减少使用抗微生物药物的影响——该措施预计可将 AMR 流行率降低 2.1%。 最后，研究团队指出，由于使用的生态学模拟方法以及 AMR 监测数据集质量的限制，研究无法得出因果关系。此外，因无法获得数据，主要模型没有考虑会导致 AMR 的特定因素，例如教育、粮食生产中抗微生物药物的使用，以及动物养殖实践。论文链接：https://www.nature.com/articles/s41591-025-03629-3设置星标，不错过精彩推文开放转载欢迎转发到朋友圈和微信群 微信加群 为促进前沿研究的传播和交流，我们组建了多个专业交流群，长按下方二维码，即可添加小编微信进群，由于申请人数较多，添加微信时请备注：学校/专业/姓名，如果是PI/教授，还请注明。点在看，传递你的品味

摘要：抗菌药物耐药性（AMR）对全球健康构成严重威胁，世界卫生组织（WHO）于 2017 年发布的细菌重点病原体清单（BPPL）对指导相关研究、开发及公共卫生策略意义重大。在此基础上，2024 年 WHO BPPL 更新发布，其借助多标准决策分析框架，纳入新数据和证据，对病原体进行重新评估和排序。结果显示，碳青霉烯耐药的肺炎克雷伯菌等位列榜首，耐药革兰阴性菌和耐利福平的结核分枝杆菌仍是关键重点病原体。该清单为全球应对 AMR 提供了重要依据，有助于明确研究方向、优化资源配置，但仍存在数据缺口等局限性，未来需持续投入研究并定期更新 。一、抗菌耐药危机与 2024 年 WHO BPPL 更新背景抗菌药物耐药性（AMR）的出现和传播严重威胁着全球健康，其中抗生素耐药病原体带来的负担和医疗成本最高 。2019 年，全球估计有 127 万人死于抗生素耐药感染，2021 年，与细菌 AMR 相关的死亡人数更是高达 471 万。为应对这一危机，WHO 在 2015 年推出了《全球抗菌药物耐药性行动计划》，并于 2017 年发布了首个细菌重点病原体清单（BPPL） 。自 2017 年 BPPL 发布以来，虽有 13 种针对重点病原体的新抗生素获批，但 AMR 问题依旧严峻，新的耐药模式不断出现，现有研发、预防和控制投入不足。因此，WHO 基于新数据和证据，对 BPPL 进行更新，以更好地指导全球应对 AMR 的工作。二、2024 年 WHO BPPL 的制定方法专家团队组建：组建了两个专家团队。WHO BPPL 咨询小组通过公开招募选出 23 位专家，代表六个 WHO 区域，涵盖多领域专业背景，负责参与清单制定的各个环节 。另外邀请 100 名 AMR 专家（含咨询小组成员）参与最终调查，以确保调查结果的全面性和代表性。研究设计与病原体选择：采用与 2017 年相同的多标准决策分析（MCDA）方法，该方法基于多个标准评估病原体，综合定量证据和专家判断进行决策 。通过文献检索和专家讨论，确定对 24 种抗生素耐药细菌病原体进行评估。在这个过程中，剔除了 5 种 2017 年清单中的病原体，新增了 4 种，如耐利福平的结核分枝杆菌。评估标准制定与证据综合：评估标准从 2017 年的 10 项精简为 8 项，包括死亡率、非致命负担、发病率、10 年耐药趋势等定量指标，以及可预防性、传播性、可治疗性和抗菌药物研发管线状态等定性指标。通过系统文献回顾、全球疾病负担分析数据、监测系统数据、治疗和预防指南以及 WHO 对抗菌药物研发管线的分析等多渠道收集数据，对病原体进行评估。确定标准权重与清单分类：运用 PAPRIKA 方法对 100 名专家进行偏好调查，确定各项标准的权重 。根据专家反馈，软件为每个标准赋予不同权重，使病原体得分在 0 - 100% 之间。依据得分，将病原体分为关键、高、中三个优先级类别，并进行稳定性评估。三、2024 年 WHO BPPL 的结果专家调查与评分稳定性：100 名专家受邀参与调查，78 人完成调查，1 人未提供完整个人信息 。调查结果显示，专家间一致性很强，Spearman 等级相关系数和 Kendall 和谐系数均为 0.9。通过亚组分析发现，不同专业、地域和收入水平的专家对标准权重的分配虽有差异，但未对病原体最终排名产生显著影响。病原体排名与分类：24 种病原体的总得分范围从碳青霉烯耐药的肺炎克雷伯菌的 84% 到青霉素耐药的 B 群链球菌的 28% 。革兰阳性菌中，万古霉素耐药的屎肠球菌（69%）和耐甲氧西林金黄色葡萄球菌（MRSA，59%）排名靠前；社区获得性感染常见细菌中，氟喹诺酮耐药的伤寒沙门菌（71%）、志贺菌属（70%）和淋病奈瑟菌（64%）排名居前（原文 Figure 2，直观展示抗生素耐药细菌在 2024 年 WHO BPPL 中的最终排名，清晰呈现各病原体得分情况）。最终，WHO BPPL 2024 清单分为关键、高、中三个优先级类别（原文 Table 2，对比 2017 年和 2024 年细菌病原体优先级别的差异，便于读者了解清单的变化）。关键级别包括碳青霉烯耐药的鲍曼不动杆菌、碳青霉烯耐药和第三代头孢菌素耐药的肠杆菌目以及耐利福平的结核分枝杆菌等；高优先级包含氟喹诺酮耐药的伤寒沙门菌、志贺菌属、万古霉素耐药的屎肠球菌等；中优先级有大环内酯耐药的 A 群链球菌、肺炎链球菌、氨苄西林耐药的流感嗜血杆菌以及青霉素耐药的 B 群链球菌等。四、2024 年 WHO BPPL 的意义与启示耐药菌的持续威胁与应对方向：2024 年 WHO BPPL 表明，耐药革兰阴性菌和耐利福平的结核分枝杆菌仍是重中之重的病原体 。它们在全球范围内，尤其是低收入和中等收入国家，造成了沉重的疾病负担。这些细菌复杂的耐药机制、基因水平转移能力以及在医疗环境中的顽强生存能力，使得控制难度极大。因此，迫切需要持续投入研发资源，创新研发模式，例如利用公私合作、市场激励机制等推动新型抗菌药物的开发。同时，加强预防工作，提升医疗系统质量，强化感染预防与控制措施，提高疫苗接种率，对于控制这些病原体至关重要。社区获得性感染病原体的重视：清单突出了社区获得性感染病原体的重要性 。如耐利福平的结核分枝杆菌进入关键优先级类别，反映出其在诊断、治疗成本和药物毒性方面的难题。氟喹诺酮耐药的沙门菌（伤寒和非伤寒）和志贺菌属排名上升，显示出这些病原体在低收入和中等收入国家的疾病负担加重和耐药性增加。这意味着应对 AMR 不能仅依赖新药研发，还需注重预防措施创新，像开发和推广相关疫苗，改善水、环境卫生和个人卫生（WASH）基础设施，以减少社区感染传播。部分病原体的重新分类解读：碳青霉烯耐药的铜绿假单胞菌从关键优先级降至高优先级，这可能是由于在至少一个 WHO 区域内其耐药趋势有所下降 ，但这并不意味着可以放松对它的关注。在一些地区，它仍然是重要的威胁，持续投入研发以开发有效治疗和诊断方法依旧必要。MRSA 和万古霉素耐药的屎肠球菌等仍处于高优先级，它们的治疗和预防在资源有限地区存在明显不均等问题，需要改善药物和预防措施的可及性，减少全球健康差距。清单应用的注意事项与局限：2024 年 WHO BPPL 是指导抗菌药物研发和公共卫生干预的重要工具 ，但它并非详尽无遗，在应用时需结合当地感染负担、健康不平等状况和研发差距进行调整。该清单制定存在一些局限性，比如部分地区监测数据不足影响对死亡率、发病率和耐药趋势的评估；依赖汇总和可能过时的数据；未充分考虑个体耐药机制、病原体传播途径的细微差别以及预防措施的可行性；低收入和中低收入国家专家回复率低等。未来需要借助新兴技术完善全球监测平台，改进评估方法，加强全球协作，以提升清单的准确性和实用性。五、总结2024 年 WHO BPPL 的更新，为全球抗击抗菌药物耐药性提供了关键指引 。它清晰地呈现出当前抗生素耐药病原体的严峻形势，明确了重点防控对象，有助于各国合理分配资源，聚焦关键领域开展研究、开发新的抗菌药物和制定公共卫生策略。尽管清单存在一定的局限性，但它依然是全球抗击 AMR 不可或缺的参考依据。未来，国际社会需共同努力，持续投入资源进行创新研究，强化监测体系，提升预防和控制措施的可及性与有效性，以应对不断变化的 AMR 挑战，保障全球公众健康 。识别微信二维码，添加生物制品圈小编，符合条件者即可加入生物制品微信群！请注明：姓名+研究方向！版权声明本公众号所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系(cbplib@163.com)，我们将立即进行删除处理。所有文章仅代表作者观不本站。

前言在当下生物医学领域，人工智能（AI）和机器学习（ML）技术正迅速崛起，为解决复杂健康问题提供了创新解决方案，为大数据尤其是基因组数据的解读提供了强有力的工具，在公共卫生、临床诊疗、社区健康、政策制定及医学应用方面逐渐发挥重要作用。2025年欧洲临床微生物学与感染病学会大会（ESCMID Global 2025）披露了国内外多项研究，尤其是AI、机器学习与基因组学技术、大队列样本数据相结合的研究，为精准医疗和公共卫生决策提供科学依据。方向一：AI+测序辅助感染性疾病流行的防控新加坡国立大学医学院研究团队探讨了AI在公共卫生和传染病领域的广泛应用，论文已于近期发表于Nature杂志。研究团队详细探讨了融合机器学习、计算统计学、信息检索与数据科学的AI系统在传染病建模中的应用，阐释了AI最新进展、如何加速关键流行病学问题的突破，并讨论了可应用于常规传染病监测数据的具体AI方法。研究者认为，目前AI在如下领域已经有了不同成熟度的方法，对于感染性疾病的监测和病原基因组的分析处于早期研究阶段。事实上，AI在公共卫生的应用，数据来源相当一部分来自于测序数据，包括人类基因组、宏基因组、宏转录组、病毒基因组及污水样本。基因组学数据通过揭示病原体遗传特征、进化动态和传播机制，成为传染病领域AI建模的核心工具。在AI技术的加持下，其应用范围将更加广泛：例如实时监测并推断病原体何时、何地以及如何出现，预测病原体特征(传染性、逃逸性和传播性)，预测宿主特异性，识别可能的跨物种感染，疫苗靶位筛选预测等。方向二：机器学习利用WGS数据预测微生物耐药及AI指导下的抗感染药物合理使用01抗菌药物耐药性（AMR）的全球影响与应对策略AMR作为一场“无声大流行”，对现代医学产生的威胁不容小觑。尼日利亚拉各斯大学医学院研究团队分享了发表于Nature旗下子刊的目前最新的基于机器学习和人工智能预测微生物耐药的进展，指出截至2022年数据，XGBoost方法提供了目前最佳的预测性能。强调了“One Health”理念、CRISPR技术、噬菌体和AI驱动的药物设计等创新方法在应对AMR中的潜力。02基于WGS的肺炎克雷伯菌耐药性预测模型北京协和医院研究团队利用机器学习和全基因组测序（WGS）数据，开发了一种快速、广谱的肺炎克雷伯菌抗菌药物耐药性预测模型。研究纳入了5,239株肺炎克雷伯菌样本，基于抗菌药物敏感性测试（AST）获得11种抗生素的最低抑菌浓度(MIC)。通过分析五种特征类型（抗生素耐药基因、ARGPer、PanGene、SNP和Kmer），结合九种机器学习方法构建模型，最终基于随机森林模型和ARG数据，构建了11种药物的WGS-AST模型。结果显示，模型平均准确率超过86%，AUC平均超过0.9，在真实临床场景中，八个模型预测准确率超过90%，三个超过80%。研究展示了机器学习与基因组测序结合在预测抗生素耐药表型方面的潜力，有助于改善患者护理和优化抗生素使用。03基于WGS的抗菌药物敏感性预测算法开发英国利物浦大学研究团队开发了一种渐进式基因组片段增强（PGSE）算法，用于从全基因组测序数据高效预测抗菌药物敏感性。PGSE算法通过从WGS数据中计数较小的k-mers（如8-mers）开始，并通过迭代扩展这些k-mers以捕获更特定的基因组区域。结果显示，PGSE在准确性和效率上均优于传统的基于k-mer的XGBoost模型。在预测头孢他啶MIC时，PGSE将峰值内存使用量减少了约61%，处理时间减少了约7.5%。研究展示了PGSE在资源受限环境中（如普通个人电脑或笔记本电脑）强大的可扩展性，为抗菌药物敏感性预测提供了新的高效解决方案。04机器学习识别耐药基因：贡献分析与模型优化德国汉诺威医学院研究团队通过机器学习方法，分析大肠杆菌、肺炎克雷伯菌和铜绿假单胞菌的基因组数据，识别与抗菌药物耐药性相关的遗传决定因素。研究使用k-mer模式分析基因存在/缺失模式，并评估模型权重以识别“相关”变异。研究发现，约8%的基因对耐药性预测有贡献，其中已知耐药基因是主要贡献者，而新耐药基因的贡献较少。不同物种的基因对模型权重的贡献存在差异，E. coli和K. pneumoniae的已知耐药基因贡献较高。 此外，研究表明，Training数据集的规模对模型性能有显著影响，在该研究目前103规模下，尚未达到最佳效果。临床应用需要更多数据支持，尤其是患者数据。结论强调已知耐药基因在预测中的关键作用，并建议通过扩大样本量及更深入的人种亚组分析（如GWAS）预测抗菌素治疗效果。方向3：机器学习用于大队列微生物组学研究探索01机器学习在肿瘤患者与肠道微生物组关联中的应用意大利特伦托大学研究团队分享了利用机器学习技术开展的肿瘤-微生物组学关联性研究进展，目前文章已发表于Nature Medicine。该研究为欧盟资助的ONCOBIOME研究网络发起的国际多中心研究，旨在识别和验证肿瘤学中与肠道菌群相关的生物标志物，并建立一个公开微生物组资源库。在16个队列的3557份结直肠癌患者粪便样本中，通过机器学习使用微生物组学特征进行结直肠癌分期，在部分队列中获得了令人满意的AUC表现。02基于肠道微生物组数据的机器学习健康评分模型土耳其埃尔吉耶斯大学研究团队开发了一种基于深度学习的健康评分模型，用于无创健康评估。研究分析了4,015份粪便样本，包括九种系统性疾病患者和1,738名健康对照人群的粪便。通过提取DNA并进行16S rRNA测序，结合基于Transformer的自编码器混合深度学习模型进行特征提取和健康状态分类。结果显示，健康评分的准确率达85.74%，显著优于GMWI2（79.35%）和Shannon指数（55.94%），AUC达93.38%。该模型亦在不同的疾病类型的验证中，包括结直肠癌和肝脏疾病中取得更高的准确率。该模型基于机器学习和微生物组学数据，提供了一种定量健康评分，作为可扩展的无创健康监测解决方案，为预防医疗保健提供了新可能。结语总的来说，这些研究不仅推动了微生物、机器学习和AI领域的科学进步，也为医疗保健、公共卫生和全球健康政策的制定提供了重要的理论和实践支持。通过跨学科的合作和创新，AI和机器学习正在为人类健康开辟新的可能性，引领精准医疗的未来。参考来源：1.Artificial intelligence for modelling infectious disease epidemics. Nature. 2025 Feb;638(8051):623-635. doi: 10.1038/s41586-024-08564-w. Epub 2025 Feb 19. PMID: 39972226; PMCID: PMC11987553.2.Predicting future hospital antimicrobial resistance prevalence using machine learning. Commun Med (Lond). 2024 Oct 10;4(1):197. doi: 10.1038/s43856-024-00606-8. PMID: 39390045; PMCID: PMC11467333.3.ESCMID Global 2025 P00734 Machine learning-based antimicrobial resistance prediction of 11 antibiotics for Klebsiella pneumoniae from clinical NGS data.4.ESCMID Global 2025 P00733A scalable machine learning approach to predict antimicrobial susceptibility from whole genome sequencing data.5.Impact of the ONCOBIOME network in cancer microbiome research. Nat Med. 2025 Apr 11. doi: 10.1038/s41591-025-03608-8. Epub ahead of print. PMID: 40217075.6.ESCMID Global 2025 P00190 Deep learning-enhanced wellness scores: advancing gut microbiome-based health predictions..