Precision culturomics enabled by unlabeled single-cell morphology and Raman spectra

基于未标记单细胞形态学与拉曼光谱技术实现的精准培养组学研究

主讲人：吴武见，2026年9月20日

研究背景:

传统微生物鉴定和培养方法在临床诊断、微生物组研究以及病原菌筛选中发挥着重要作用，但仍存在培养周期长、通量低以及难以获得单细胞水平表型信息等局限。虽然基因测序能够提供微生物分类和遗传信息，但无法直接反映细胞的实时生理状态和表型特征；而显微成像虽然可以观察细胞形态，却缺乏分子组成信息。单细胞Raman光谱技术能够在无需标记的情况下获取细胞内部蛋白质、核酸、脂质等分子的化学指纹，为微生物快速表征提供了新的方法。然而，复杂的Raman光谱数据包含大量潜在信息，传统分析方法难以充分挖掘其与细胞表型之间的联系。因此，结合人工智能算法对单细胞Raman数据进行深度解析，有望实现微生物的精准识别、表型预测以及培养筛选，为微生物研究和耐药机制解析提供新的技术策略。

研究内容:

该研究针对传统微生物鉴定和培养过程中存在的耗时长、通量低以及难以获取单细胞表型信息等问题，提出了一种结合单细胞Raman光谱、细胞形态分析和人工智能的精准培养组学（precision culturomics）策略。作者利用LIFT技术实现单细胞操作，并采集细菌单细胞Raman光谱，同时结合显微成像获得细胞长度、宽度和长宽比等形态参数。通过机器学习模型建立Raman光谱与细胞表型之间的映射关系，实现了基于无标记Raman信号对细胞形态和不同生理状态的预测与分类，证明单细胞Raman光谱不仅能够反映细胞化学组成，还包含与细胞结构状态相关的信息。

进一步地，作者将该方法应用于抗生素压力下细菌适应过程的研究。通过单细胞Raman分析，作者捕获了细菌群体中的表型异质性，并结合基因组测序发现抗生素处理后出现PBP2相关突变。随后利用蛋白结构模拟和RTMScore分析，预测这些突变可能改变头孢呋辛与PBP2之间的结合模式，从而解释细菌适应抗生素压力的潜在机制。该研究建立了“单细胞Raman表型检测—人工智能分析—遗传机制解析”的研究体系，为微生物精准鉴定、培养筛选以及耐药机制研究提供了新的技术路线。

总结与展望:

    作者建立了一套“单细胞形态 + 拉曼光谱 + 机器学习 + LIFT分选 + 培养”的精准单细胞培养组学（precision culturomics）平台，使研究者能够在细菌形成菌落之前，就从复杂微生物群落中识别、分选并培养目标细菌，并进一步用于单细胞代谢表型和抗生素适应机制研究。

创新点：

1.作者直接从单细胞水平识别细胞并培养，告别传统的先培养成菌落后再去鉴定。能节省大量时间和资源

2.能同时利用形态和拉曼信息两个维度识别鉴定细菌。

3.机器学习与LIFT分选连接起来获得活菌培养物。

局限性：

1.单细胞存活率不稳定。人类样本平均42.28%，而且不同个体、不同实验变化较大。

2.机器学习数据主要来自标准培养条件，而真实临床样本可能处于营养限制、生长停滞和不同生长阶段等条件。

3.抗生素对肠道菌群的影响结果只来自于部分个体，不能推广到所有人的肠道菌群。

收获：这篇文献虽然没有直接检测β-内酰胺酶，但其“拉曼表型检测+人工智能分析+抗生素暴露+遗传机制验证”的研究思路具有较强借鉴意义。

可以利用拉曼捕获细菌受到β-内酰胺类抗生素后的代谢、细胞壁及蛋白质等变化，再通过机器学习建立拉曼指纹与敏感/耐药或MIC之间的关系，从而实现快速耐药表型判断。

  在此基础上，还可以借鉴文献中的单细胞拉曼分析，研究同一菌群中不同细胞对β-内酰胺酶压力的异质性，从而识别潜在耐药亚群。最终可以将“直接检测β-内酰胺酶活性”与“间接检测抗生素作用后的细菌拉曼表型”结合起来，再用MIC、β-内酰胺酶活性和耐药基因等进行多层验证。