Feature-Based Growth Curve Classification Enables Efficient Phage Discrimination
基于特征的生长曲线分类实现高效噬菌体区分
来源：Viruses 2026, 18, 92
1. 摘要
本研究提出一种基于生长曲线特征的机器学习分类方法，可快速、精准地对不同噬菌体进行区分。通过自动化仪器获取细菌感染噬菌体后的动态生长曲线，提取关键特征并构建分类模型，实现高效、低成本、高通量的噬菌体分型与鉴别。该方法无需复杂分子鉴定，仅通过生长曲线即可实现高准确率噬菌体判别，为噬菌体筛选、分型、质控与应用提供全新技术路径。
2. 关键词（一行）
生长曲线，噬菌体区分，机器学习，全自动生长曲线分析仪
3. 研究目的
建立仅依靠微生物生长曲线即可高效区分不同噬菌体的方法。
降低噬菌体分型成本，提升通量与速度。
为噬菌体治疗、噬菌体质控、噬菌体库管理提供标准化工具。
4. 研究思路
利用Bioscreen 全自动生长曲线分析仪获取细菌感染不同噬菌体后的动态生长曲线。
提取生长曲线的速率、拐点、斜率、滞后期、最大 OD等关键特征。
构建机器学习分类模型，对噬菌体进行自动分类与判别。
验证方法的准确性、稳定性与通用性。
5. 研究亮点
首次将生长曲线特征用于噬菌体高效区分，无需基因测序。
全自动化、高通量、低成本，适合大规模噬菌体库筛选。
结合机器学习实现高准确率、高稳定性分型。
可直接用于噬菌体质控、污染鉴别、新药筛选等场景。
6. 可延伸方向
拓展到多重耐药菌对应的噬菌体分型。
结合生物信息学建立噬菌体 - 宿主互作预测模型。
应用于噬菌体治疗临床样本快速鉴定。
建立环境样本噬菌体快速筛查体系。
7. 测量数据及图表与意义
细菌 - 噬菌体共培养生长曲线：来自图 1，用于反映噬菌体裂解宿主的速度与强度，是分型的核心依据。
生长曲线特征参数（滞后期、最大 OD、下降斜率）：来自表 1，用于量化不同噬菌体的裂解差异。
机器学习分类准确率、混淆矩阵：来自图 2，验证方法可靠性与区分能力。
8. 研究结论
基于生长曲线特征的分类方法可高效、精准区分不同噬菌体。
仅需OD 动态变化即可实现高准确率分型，无需分子生物学手段。
Bioscreen 全自动生长曲线分析系统可提供标准化、高通量、高重复性的生长数据，是该方法的核心支撑。
该技术可广泛用于噬菌体库管理、质控、快速筛选与临床应用。
9. Bioscreen 生长曲线数据的研究意义（详细解读）
提供标准化、无人工干扰的动态裂解曲线
Bioscreen 全自动、连续、定时读取 OD 值，获得噬菌体裂解宿主的完整动力学曲线，保证数据高度一致、可重复，是噬菌体区分的基础。
精准捕捉不同噬菌体的裂解差异
不同噬菌体的吸附速度、潜伏期、裂解量、爆发周期都会体现在生长曲线的滞后期长短、下降斜率、最低 OD 值、恢复时间上，Bioscreen 能高精度捕捉这些细微表型差异，成为区分噬菌体的关键依据。
高通量平行测试，大幅提升效率
Bioscreen 可同时进行多菌株、多噬菌体的生长 / 裂解监测，实现高通量筛选，解决传统噬菌体分型速度慢、通量低的问题。
为机器学习提供高质量训练数据
高精度、高密度、标准化的生长曲线数据，是构建高准确率分类模型的前提，直接决定噬菌体区分的可靠性与稳定性。
实现噬菌体质控的量化与自动化
通过生长曲线特征可自动判断噬菌体活性、纯度、污染情况，为噬菌体药物生产提供在线、快速、自动化质控方案。
无标记、无创、低成本
不依赖荧光、测序、抗体等标记手段，仅通过光学密度检测即可完成噬菌体区分，大幅降低成本与设备门槛。