编辑 | 绿罗

抗生素在过去十年里显著延长了人类的平均寿命。但抗生素的作用已不如以前，部分原因是抗生素的广泛使用。

“世界各地的卫生机构一致认为，我们正处于进入后抗生素时代。”克利夫兰诊所（Cleveland Clinic）医学博士Jacob Scott解释道。“如果我们不改变追踪**的方式，到2050年，死于抗生素耐药性感染的人数将超过死于癌症的人数。”

克利夫兰诊所的研究人员开发了一种人工智能（AI）模型，该模型可根据**在特定环境下生长的速度，确定****感染的****组合和时间表。

相关研究以「Reinforcement learning informs optimal treatment strategies to limit antibiotic resistance」为题，于 2024 年 2 月 23 日，发布在《Proceedings of the National Academy of Sciences》（PNAS）上。

论文链接： https://doi.org/10.1073/pnas.2303165121

**快速复制，产生突变的后代。过度使用抗生素让**有机会练习产生抵抗**的突变。随着时间的推移，抗生素会杀死所有敏感**，只留下抗生素无法杀死的更强的突变体。

医生们使用的一种策略是抗生素轮换（cycling），来使我们****感染的方式现代化。医疗保健提供者在特定时间轮流使用不同的抗生素。更换不同的**可以缩短**对**一类抗生素产生耐药性的时间。轮换甚至会使**对其他抗生素更敏感。

医学生Davis Weaver博士表示，研究表明**轮换在**疾病方面显示出很大的希望。他说：“问题是我们不知道**的方法。医院之间没有统一的标准来规定使用哪种抗生素、使用多长时间、按照什么顺序使用。”

Jeff Maltas 博士是克利夫兰诊所的博士后研究员，他利用计算机模型来预测**对一种抗生素的耐药性将如何使其对另一种抗生素的耐药性减弱。他与 Weaver 博士合作，研究数据驱动的模型是否可以预测**轮换方案，从而**限度地减少抗生素耐药性，并**限度地提高抗生素敏感性，尽管**进化工具有随机性。

图示：示意性进化模拟和经过测试的优化方法。（来源：论文）

Weaver 博士带头将强化学习应用于**轮换模型，该模型教会计算机从错误和成功中学习，以确定完成任务的**策略。这项研究是首批将强化学习应用于抗生素轮换疗法的研究之一。Weaver 和 Maltas 说。

「强化学习是一种理想的方法，因为你只需要知道**生长的速度，这相对容易确定，」Weaver 博士解释说。「也存在人为变化和错误的空间。你不需要每次都**地测量增长率，**到毫秒。」

图示：RL agent 在模拟大肠杆菌系统中的性能。（来源：论文）

研究团队的 AI 能够找出最有效的抗生素轮换计划，来**多种大肠杆菌菌株并防止耐药性。Maltas 博士说，研究表明 AI 可以支持复杂的决策，例如计算抗生素**方案。

Weaver 博士解释说，除了管理个别患者的感染之外，该团队的 AI 模型还可以告知医院如何****感染。他和他的研究团队还致力于将他们的工作从**感染扩展到其他致命疾病。

「这个想法不**于**，它可以应用于**能够产生**耐药性的东西，」他说。「未来我们相信这些类型的人工智能也可以用于**耐药癌症。」

参考内容：https://medicalxpress.com/news/2024-04-ai-treatments-superbugs.html