都江堰智慧融入AI微流控芯片，快速识别隐藏的“亚耐药”细菌 | Science Bulletin

细菌耐药性危机已成为全球公共卫生安全面临的重要挑战。常规药敏分析主要依赖最低抑菌浓度（MIC）判断细菌是否耐药，但对处于“耐药边缘状态”的亚耐药菌群识别能力有限，这也是导致临床治疗失败和耐药率持续升高的重要原因之一。

近日，华中科技大学刘笔锋教授课题组受都江堰“四六分水”原理启发，将古老水利工程都江堰中四六分水的分流智慧融入AI微流控芯片技术，开发出一种快速表型药敏分析系统。该系统可通过多参数表型信息获取与智能分析，实现对隐藏亚耐药菌群的快速识别。同时，研究团队结合多组学分析，进一步探索了亚耐药菌的耐受机制，揭示了相关调控因子在抗生素压力下细菌生存适应中的作用。该研究不仅为快速药敏检测和亚耐药菌群识别提供了新的技术平台，也为细菌耐药机制研究、精准抗生素治疗和耐药性防控提供了新的思路与技术支撑。

该项研究成果发表于Science Bulletin，并遴选为2026年第20期的封二（Inside Front Cover）文章，通讯作者为刘笔锋教授，陈鹏副教授；第一作者为李顺基博士，戴晨曦博士及陈冬娟博士。

1. 都江堰智慧赋能微流控药敏芯片：研究团队受都江堰分流原理启发，开发了手驱式微流控浓度梯度生成器，并结合细菌微富集面积计算方法，构建出快速表型药敏分析系统。

2. 智能手机与深度学习实现亚耐药菌快速识别：该系统融合便携式智能手机信号采集、深度学习图像分析和多参数表型评估，可同步获得MIC、生长活性及抗生素浓度效应曲线，从而识别常规药敏检测中容易被忽视的亚耐药菌群。

3. 多组学分析揭示亚耐药菌生存适应机制：研究进一步联合蛋白质组学和转录组学分析，探索亚耐药菌在抗生素压力下的适应机制，并发现gadE不仅是大肠杆菌酸耐受调控网络中的重要因子，也可能参与细菌对抗生素压力的生存调控。

抗菌药物耐药性（antimicrobial resistance, AMR）已成为全球公共卫生安全面临的重大威胁。近年来，即使在常规药敏分析指导下，部分细菌感染性疾病仍然出现治疗失败现象，这使得传统检测中容易被忽略的细菌持留、耐受和异质性耐药问题逐渐受到关注。这类细菌群体可能在常规药敏结果中被判定为“敏感”，却仍能在抗生素压力下存活，并在持续药物刺激过程中进一步推动耐药性演化。此外，全球耐药性地图（ResistanceMap）数据显示，在资源有限地区，常用抗菌药物的耐药问题往往更加突出。这提示我们，抗生素耐药率的持续升高不仅与耐药菌本身扩散有关，也与早期抗生素滥用、经验性治疗以及缺乏快速精准药敏指导密切相关。因此，亟需开发符合ASSURED标准的理想快速药敏分析系统，实现更精细的耐药分类和更精准的用药指导，从而减少盲目用药对细菌产生的持续选择压力。

微流控技术经过多年发展，凭借微型化、自动化和集成化等优势，已成为即时检测技术平台的重要支撑，也为快速药敏分析提供了新的技术路径。近年来，研究人员已开发出多种微流控快速药敏分析平台。该研究团队前期也围绕该方向开展了系列探索，包括基于负压药物浓度梯度生成器的快速药敏分析技术、基于对流扩散的药物浓度梯度生成器，以及手驱式微流控快速药敏分析平台等。然而，现有快速药敏分析技术仍存在一定局限：部分平台依赖显色试剂、专业仪器或高端显微镜进行信号读取，限制了其在资源有限场景中的推广应用；同时，多数方法仍主要基于单一MIC（最低抑菌浓度）值进行药敏判断，难以进一步识别隐藏在“敏感”结果背后的亚耐药菌群。因此，如何在便携、低成本、快速检测的基础上，进一步获得更丰富的细菌表型响应信息，并实现亚耐药菌群的有效识别，仍是快速药敏分析领域亟待解决的重要问题。

该研究受都江堰“四六分水”分流原理启发，开发了一种手驱式微流控浓度梯度生成器，实现了抗生素浓度梯度的便携式、自动化生成。在此基础上，研究团队结合细菌微富集面积计算方法，建立了无需显色试剂的表型药敏分析模式。通过芯片内对照孔设计，系统可进一步计算细菌生长活性，并获得细菌生长活性随抗生素浓度变化的浓度效应曲线（CEC）。借助MIC、生长活性和CEC等多参数联合分析，该系统能够进一步识别常规药敏分析中容易被忽略的亚耐药菌群。同时，细菌微富集信号可通过便携式智能手机完成采集，并结合深度学习算法实现药敏结果的自动化识别与智能分类。

为进一步探索亚耐药菌的表型特征及潜在适应机制，研究团队联合高通量蛋白质组学和转录组学技术，对亚耐药菌与敏感菌的基因及蛋白表达差异进行了系统分析。结果显示，亚耐药菌与敏感菌的基因序列基本一致，提示单纯依赖基因序列分析难以实现亚耐药菌筛选。然而，尽管二者基因序列相近，其基因和蛋白表达水平却存在显著差异。进一步结合已知耐药及应激适应相关通路分析发现，亚耐药菌中多种与抗生素应答相关的基因和蛋白表达明显上调，包括外膜蛋白OmpA及外排泵相关系统等。更深入的多组学分析显示，亚耐药菌的转录组和蛋白组变化主要集中于细菌胞内酸性微环境调节相关通路。基于此，研究团队进一步通过实验发现并验证，gadE基因/蛋白不仅是细菌酸耐受调控网络中的重要中枢因子，也可能参与细菌在抗生素压力下的生存适应与耐受调控。

综上，该研究构建了一种融合便携式智能手机信号采集、深度学习算法和微流控表型分析的新型快速药敏分析系统（DP-AST）。该系统不仅可在3小时内获得药敏分析结果，还能通过多参数联合分析实现亚耐药菌群的快速识别与筛选，为更加精准的抗生素分类治疗、亚耐药机制研究及延缓抗生素耐药性危机提供了新的技术平台和研究思路。

图1. DP-AST药敏分析平台的流程示意图

（a–d）DP-AST的设计与工作流程：（a）“都江堰”水利工程中的四六分水引流原理；（b）坝式导流计量器（Dam-D）工作原理示意图；（c）手驱式浓度梯度生成芯片示意图；（d）细菌微富集面积表型抗生素敏感性测试示意图。

（e–h）基于深度学习的表型抗生素敏感性检测：（e）智能手机信号采集与人工智能深度学习数据分析示意图；（f）细菌耐药性信息输出结果；（g–h）更精准的用药指导方案（g）及治疗策略（h）。

（i–l）亚耐药菌识别：（i）差异浓度效应曲线分析；（j）蛋白质组学与转录组学分析；（k）显著差异的耐药相关通路及蛋白质过表达分析验证；（l）DP-AST分类流程图。

图2. DP-AST药敏分析平台的芯片结构设计及分析验证

（a–f）浓度梯度生成：（a）芯片结构平面示意图；（b）Dam-D系统的模拟仿真结果：（I）流体初始状态，（II）计入计量腔室，（III）填充计量腔室，（IV）溶液未突破毛细管阀，（V）计量腔室与毛细管连接的放大视图；（c–d）浓度梯度生成色素验证，标尺（黑色）：5 mm；（e）色素浓度梯度R/G值的线性分析（n = 3）；（f）七个收集腔定量体积的变异分析（n = 3）。

（g–l）表型药敏分析验证：（g）PP-AST分析芯片；（h）芯片离心力分析；（i）细菌培养与富集面接传感结构；（j）微富集传感机制分析示意图；（k–l）3 h/6 h孵育时间下CCD传感器与手机传感器采集数据对比；标尺（黑色）：0.5 mm；标尺（红色）：0.3 mm。

（m–p）临床验证：（m）DP-AST检测流程与传统药敏分析方法比较；（n）临床细菌药敏试验结果对比（n = 48）；（o）头孢西丁对8株临床菌株的浓度效应曲线分析；（p）阿米卡星对8株临床菌株的浓度效应曲线分析。

（q–v）CEC验证：（q）A1361 _vs_A1325 菌株的CEC曲线差异图。（r）蛋白质组学数据的主成分分析（PCA）结果（A1361T（及A1325T）表示经抗生素处理的蛋白质组数据，而A1361C（及A1325C）表示未处理对照组）。（v）与耐药性相关的关键差异蛋白及其对应作用机制示意图（红色箭头表示比较转录组信息：箭头向上表示表达上调，箭头向下表示表达下调，无箭头表示表达无差异；黑色箭头代表蛋白质组学分析数据）。

（s–u）亚耐药菌中gadE蛋白功能验证：（s）gadE蛋白的表达情况；（t）低抗生素浓度条件下（0–4 μg/mL，n=15）细菌生长（3小时）的百分比差异分析；（u）高抗生素浓度（64 μg/mL）培养18小时后细菌吸光度值比较（初始菌量：0 cfu/mL（对照组）、10⁵ cfu/mL（gadE⁺组）、10⁵ cfu/mL（gadE^-组））。

该研究工作及该团队关于即时药敏分析技术的相关研究工作：

文章信息

DOI：10.1016/j.scib.2026.08.079