【学术前沿】MALDI-TOF质谱和机器学习技术鉴定细菌物种大规模的基准研究

一、研究背景

基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）依靠核糖体蛋白指纹图谱，已成为临床微生物实验室细菌快速鉴定的主流技术。而传统商业软件依赖私有黑盒数据库，存在可复现性、透明度不足等问题；早期机器学习采集图谱研究大多基于小数据集、有限物种，缺少标准化评测框架，普遍高估模型实际性能。

本研究依据大样本基准研究首次明确划分三类真实应用场景：新生物学重复（训练集已有菌株的新样本）；新菌株（训练集已有物种，但菌株从未出现）；新物种（分布外样本OOD）（训练集完全未出现的物种）。不同场景模型性能差异巨大，现有大量文献混淆三类任务，造成评估虚高。

 

二、主流技术范式前沿进展

2.1 数据预处理

主流分析线：分箱（binning）→基线校正（ALS非对称最小二乘）→总离子流归一化（TIC）。

 

通过更小分箱窗口（5 m/z）可保留更多质谱信息，提升模型性能；并发现逻辑回归模型在TIC归一化后性能会显著崩塌，不同算法对预处理的敏感性差异明显；由此在多中心研究中，批次效应校正（ComBat等）成为预处理新增关键环节，解决不同实验室、仪器带来的质谱偏移，显著提升跨中心泛化能力。

 

 

以Lactococcus garvieae的原始光谱示例，以及不同的预处理步骤：归类5m/z进行分箱，并通过基线校正（ALS）和总离子电流归一化（TIC）进行转换（通过基线校正估计的基线在右上方的图中用红色表示）

 

2.2 闭集识别模型（已知物种分类）

分为平面分类（Flat Classification）与层次分类（Hierarchical Classification）两大路线。

传统机器学习（KNN、LSVC、RF、逻辑回归）：大规模基准测试中KNN、线性SVC在新菌株、新生物学重复任务中表现最优。KNN在新菌株场景物种精度84.78%；LSVC在生物学重复场景物种精度可达96.15%。

一维卷积神经网络1D-CNN：没有在大规模数据集上超越传统机器学习；优势是对预处理鲁棒性强、训练速度快，适合十万级以上海量质谱数据，为单细胞MALDI-TOF大数据提供算力基础。

层次分类（LCPN，每个父节点训练独立分类器）：物种水平识别性能并不优于平面分类，证明 MALDI-TOF 质谱信号没有很好保留物种进化/分类学信息；但属、科层级识别准确率更高，适合 “识别不确定时退回到更高分类单元输出结果” 的临床需求，同时推理时间复杂度更低（对数级）。

进化亲缘关系近的细菌，质谱指纹不一定相似，这是层次分类无法带来增益的核心原因。

 

2.3 开放集/未知物种检测（分布外OOD检测，前沿热点）

真实临床样本鉴定中经常出现数据库没有收录的未知菌种，普通多分类模型只能输出训练集中已有的类别，无法识别新物种，需要开放集识别/异常检测技术。

蒙特卡洛Dropout（MCDropout）贝叶斯神经网络：在1DCNN上开启训练+测试阶段dropout率，通过预测后验分布的Shannon熵计算总不确定性，用来区分已知物种与未知新物种。当dropout率为0.8时AUROC可达0.9997，AUPR达到0.9975，显著优于KNN距离判别方法，是该领域首个大规模验证的深度学习开放集方案。

近年拓展方向：区分偶然不确定性（数据噪声）与认知不确定性（模型知识缺失），进一步提升未知物种检出能力；高斯过程、Dirichlet先验网络也开始引入MALDITOF质谱开放集任务，但整体缺少大规模数据集验证。

在新物种情景下，KNN和1DCNN分别以0.2、0.4、0.6和0.8的dropout率绘制ROC曲线和查准率曲线，1DCNN的性能更好

 

原始特征空间与CNN高层特征空间下分布内外样本PCA可视化

 

2.4 向下细分：亚种、血清型、ST分型（新兴方向）

从物种鉴定向下延伸到亚种、血清型、序列分型ST：针对脓肿分枝杆菌复合群、沙门氏菌血清分型、大肠杆菌ST分型，结合特征筛选、类别均衡算法，实现亚种级别区分；但跨中心批次效应会严重削弱模型效果，需要多中心harmonization策略。

MALDI-ST分型深度学习框架，直接从质谱完成主要致病菌ST分型，为分子分型提供快速经济替代方案，但外部验证性能下降明显，距离临床落地仍有距离。

 

三、关键科学发现与现存瓶颈

数据集规模带来性能鸿沟：小数据集实验报告的准确率普遍虚高，通过近10万谱图、千级物种的大规模基准测试，所有模型的真实性能显著下降。传统k-fold交叉验证不适合该领域，普通交叉验证会混合生物学重复菌株，无法评估模型对新菌株泛化能力；必须按照菌株/物种进行划分测试集，而不是随机划分谱图样本。

质谱数据与分类学信息不完全匹配：亲缘关系近的物种质谱不一定相似，限制层次分类、进化引导模型的收益；近缘物种（大肠杆菌志贺菌、部分分枝杆菌复合体）仍是鉴定难点。

数据资源壁垒：高质量大规模标注 MALDI-TOF 质谱数据集稀缺，多数优质数据被商业厂商私有数据库收录；开源数据集数量有限，制约算法迭代。

模型可解释性不足：深度学习黑盒，难以定位哪些m/z峰驱动分类；SHAP等可解释AI开始用于挖掘分类相关蛋白峰，是重要发展方向。

批次效应：不同仪器、实验室、培养条件带来质谱偏移，单中心训练模型在外部医院数据集性能明显衰减，多中心校正方案是落地必要环节。

 

四、未来前沿方向

1. 标准化评测体系建设：统一区分新生物学重复、新菌株、新物种三类任务，建立公开基准数据集，推动领域内放弃简单随机交叉验证，采用菌株隔离式评测范式。
2. 开放集识别技术深化：对比更多贝叶斯网络、生成模型、距离度量学习方案；拆分偶然/认知不确定性，提升未知物种、罕见病原体检出能力。
3. 多任务联合建模：一套模型同时完成物种鉴定、亚种分型、耐药表型预测，将 MALDI-TOF 从单纯菌种识别拓展到耐药快速筛查，已有部分临床原型系统报道。
4. 跨中心鲁棒模型：开发批次效应校正、域自适应算法，解决不同医院、不同型号质谱仪器之间的迁移问题，推动机器学习模型走出实验室走向临床流水线。
5. 可解释机器学习：挖掘与分类、耐药相关的特征m/z峰，将深度学习输出与蛋白质组生物学知识结合，摆脱纯黑盒模型。
6. 单细胞MALDITOF结合AI：无需培养直接对单细菌采集谱图，结合高效深度学习，实现免培养直接临床样本鉴定，是下一代微生物诊断方向。

长按下方二维码下载文献原文：

 

1. Thomas Mortier, Anneleen D. Wieme, Peter Vandamme, Willem Waegeman. Bacterial species identification using MALDI-TOF mass spectrometry and machine learning techniques: A large-scale benchmarking study. Comput Struct Biotechnol J. 2021;19:6157-6168.