AMR-MoEGA：基于混合专家与遗传算法的抗药性预测

抗药性（AMR）已成为全球健康危机，迫切需要能够捕捉其复杂演化动力学的快速可靠预测框架。传统抗药性检测（AST）虽然准确，但仍繁琐且耗时，限制了其临床可扩展性。现有计算方法主要依赖基于单核苷酸多态性（SNP）的分析，无法考虑横向基因转移（HGT）和基因组水平相互作用等演化驱动因素。本研究引入一种新的演化混合专家（Evo-MoE）框架，将基因组序列分析、机器学习和演化算法相结合，以建模和预测AMR的演化。混合专家模型在标记了用于多种抗生素的基因组数据上进行训练，作为预测核心，估计每个基因组抗性的可能性。该模型嵌入一个遗传算法，用于模拟AMR在代际间的发展。每个基因组作为种群中的个体，依据预测的抗性概率进行变异、交叉和选择。产生的演化轨迹揭示了抗性获取的动态路径，提供了在抗生素选择压力下基因组演化的机制性见解。对突变率和选择压力的灵敏度分析表明，该模型具有稳健性和生物学合理性。与精选AMR数据库和文献证据的验证进一步确证了该框架的预测忠实度。这种集成方法连接了基因组预测与演化模拟，为理解和anticipate抗药性动态、并可能指导合理的抗生素设计和政策干预提供了强大工具。