The tradeoffs between persistence and mutation rates at subinhibitory antibiotic concentrations in Staphylococcus aureus
金黄色葡萄球菌在亚抑制浓度抗生素下的持久性与突变率之间的权衡
来源：April 2025 Volume 13 Issue 4 10.1128/spectrum.02479-24 1
1. 摘要
抗生素治疗的合理设计通常要求药物浓度超过抑制靶细菌复制的最低阈值，但在治疗患者体内，空间和生理异质性会形成抗生素浓度梯度，导致特定部位的药物浓度低于最低抑菌浓度（MIC）。本研究以临床重要致病菌金黄色葡萄球菌为对象，通过体外实验结合数学与计算机模拟模型，探究亚抑制浓度抗生素对细菌感染和抗生素治疗成功至关重要的三个核心参数的影响。结果表明，暴露于6类不同抗生素的亚抑制浓度会改变细菌生长动力学，显著提高抗生素耐药突变率，同时减少持留菌的产生从而降低细菌的持久性水平。理解亚抑制浓度抗生素暴露导致的突变率与持久性之间的这种权衡关系，对于优化抗生素治疗方案、降低治疗失败风险具有关键意义。
2. 关键词（中文）
抗生素、最低抑菌浓度、药效学、种群生物学、抗生素耐药突变率、细菌持久性、抗生素异质性耐药、金黄色葡萄球菌
3. 研究目的
系统评估6类不同作用机制的抗生素在亚抑制浓度下对金黄色葡萄球菌生长动力学、耐药突变率和持留菌水平的影响，揭示三者之间的内在关联和调控机制，明确亚抑制浓度抗生素暴露下细菌耐药性产生与表型耐受之间的权衡关系，为优化临床抗生素治疗策略、减少耐药性传播和治疗失败提供科学依据。
4. 研究思路
首先，以金黄色葡萄球菌Newman实验室菌株为核心研究对象，利用Bioscreen C自动生长曲线分析仪，测定6类抗生素（利福平、万古霉素、磷霉素、头孢曲松、阿奇霉素、庆大霉素）不同亚抑制浓度梯度下的细菌生长曲线，定量分析其对最大生长速率、最大生物量和延迟期的影响。
其次，通过Luria-Delbruck波动实验，测定经亚抑制浓度抗生素预处理24小时后，细菌对链霉素的耐药突变率；同时构建recA基因敲除菌株，重复上述实验，验证SOS应答通路在突变率升高中的核心作用。
然后，筛选出能诱导金黄色葡萄球菌产生明显持留性的杀菌抗生素（妥布霉素和达托霉素），通过6小时时间-杀菌曲线实验，评估亚抑制浓度抗生素预处理对细菌持留性的影响，并通过重复传代和MIC测定验证存活菌为真正的持留菌而非耐药突变株。
接着，通过荧光素酶法测定胞内ATP含量，从代谢水平探究亚抑制浓度抗生素影响持留菌形成的分子机制。
同时，构建基于蒙特卡洛过程的突变率零模型和持留菌生成动力学模型，通过计算机模拟验证实验结果的合理性并解释内在规律。
最后，综合所有实验和模拟数据，分析亚抑制浓度抗生素下突变率升高与持久性降低之间的权衡关系，并探讨其临床意义和应用价值。
5. 研究亮点
（1）普遍性验证：首次系统证明了6类不同作用机制的抗生素在亚抑制浓度下均能诱导金黄色葡萄球菌产生“耐药突变率升高、持留性降低”的双向表型变化，突破了以往研究仅关注单一抗生素的局限。
（2）机制解析深入：明确了RecA介导的SOS应答是亚抑制浓度抗生素诱导耐药突变率升高的核心通路，同时从代谢水平揭示了胞内ATP含量增加导致持留菌形成减少的分子机制。
（3）实验与模拟结合：构建了突变率和持留性的数学模型，通过计算机模拟定量预测了持留菌生成速率对最终持留水平的影响，为实验结果提供了理论支撑。
（4）临床相关性强：研究模拟了体内普遍存在的抗生素浓度梯度环境，揭示了临床治疗中抗生素亚抑制区域对细菌耐药性和治疗效果的双重影响，为优化给药方案提供了新的思路。
（5）方法学严谨：通过严格的对照实验排除了耐药突变对持留性测定的干扰，同时验证了OD测量值与活菌数的高度相关性，确保了实验数据的可靠性和准确性。
6. 可延伸的研究方向
（1）菌株范围拓展：将研究对象扩展至临床分离的多重耐药金黄色葡萄球菌菌株（如MRSA、VRSA）以及大肠杆菌、铜绿假单胞菌等其他重要致病菌，验证该权衡现象的普遍性和菌株特异性。
（2）分子机制深化：利用转录组、蛋白质组和代谢组技术，全面解析亚抑制浓度抗生素诱导SOS应答和代谢重编程的具体分子通路，鉴定关键调控靶点。
（3）体内验证研究：构建小鼠感染模型，探究体内抗生素浓度梯度对细菌突变率和持留性的实际影响，以及对治疗效果和感染转归的作用。
（4）治疗策略开发：基于该权衡机制，设计新型抗生素联合治疗方案，例如利用亚抑制浓度抗生素降低持留性，同时联合SOS抑制剂阻断耐药突变的产生。
（5）环境因素影响：研究不同营养条件、温度、pH值和生物膜环境对亚抑制浓度抗生素诱导的突变率-持久性权衡关系的调节作用。
（6）长期暴露效应：评估长期反复暴露于亚抑制浓度抗生素对细菌种群进化和耐药性积累的影响，为抗生素耐药性的防控提供依据。
7. 测量的数据及研究意义
（1）6类抗生素不同亚抑制浓度下金黄色葡萄球菌的生长动力学曲线（OD600随时间变化），来自图1。该数据直观展示了亚抑制浓度抗生素对细菌生长的浓度依赖性抑制作用，证明该现象在革兰氏阳性菌中同样存在，为后续实验的抗生素浓度选择提供了基础。
（2）不同抗生素浓度下的最大生长速率定量数据，来自图S1。该数据精确刻画了亚抑制浓度对细菌增殖能力的影响程度，为数学模型的参数拟合提供了核心输入。
（3）不同抗生素浓度下的最大OD值数据，来自图S2。该数据反映了亚抑制浓度对细菌最终生物量的影响，本研究选择不降低稳定期密度的浓度进行后续突变率和持留性实验，排除了生物量差异对结果的干扰。
（4）不同抗生素浓度下的延迟期数据，来自图S3。该数据显示亚抑制浓度会延长细菌进入对数生长期的时间，为理解抗生素对细菌生理状态的影响提供了补充信息。
（5）蒙特卡洛模拟的突变率随机变异数据，来自表1。该数据展示了自发突变过程中突变率估计的固有波动范围，证明实验中观察到的突变率升高显著高于随机变异，具有统计学意义。
（6）野生型和recA敲除菌株经不同抗生素预处理后的链霉素耐药突变率数据，来自表2。该数据直接证明亚抑制浓度抗生素可使耐药突变率升高1-10倍，且该效应完全依赖于RecA介导的SOS应答，揭示了突变率升高的分子机制。
（7）持留菌生成速率对6小时持留水平影响的模拟数据，来自图2。该数学模拟结果定量预测了持留菌生成速率与最终存活菌数的正相关关系，为实验中观察到的持留性降低提供了理论解释框架。
（8）不同抗生素预处理后对妥布霉素的时间-杀菌曲线数据，来自图3。该数据显示亚抑制浓度预处理使6小时妥布霉素处理后的存活菌数显著降低（P<0.00001），首次证明亚抑制浓度抗生素会降低细菌对其他药物的持留性。
（9）不同抗生素预处理后对达托霉素的时间-杀菌曲线数据，来自图4。该数据验证了亚抑制浓度对持留性的抑制作用不依赖于后续杀菌抗生素的种类，具有普遍适用性。
（10）不同抗生素预处理后细菌的胞内ATP含量数据，来自图5。该数据显示亚抑制浓度预处理显著提高了细菌的ATP水平（P<0.0005），从代谢角度解释了持留性降低的原因：代谢活性增强不利于持留菌进入休眠状态。
（11）金黄色葡萄球菌对萘啶酸和环丙沙星的异质性耐药数据，来自图S4。该数据发现Newman菌株对萘啶酸存在异质性耐药，而对环丙沙星不存在，为后续喹诺酮类抗生素的相关研究提供了重要的菌株特性信息。
（12）CFU与OD的相关性数据，来自图S7。该数据证明OD600测量值与活菌数高度相关，验证了基于OD的生长动力学分析和突变率计算的可靠性。
（13）持留菌验证实验的时间-杀菌曲线数据，来自图S6。该数据证明从时间-杀菌实验中分离的存活菌再次暴露于抗生素时，其杀菌曲线与原始菌株一致，且MIC未发生变化，排除了耐药突变对持留性测定的干扰。
（14）短时间亚抑制浓度暴露对持留性影响的数据，来自图S8。该数据显示即使仅在延迟期暴露于亚抑制浓度抗生素，也能显著降低持留性，进一步支持了代谢改变是持留性降低的核心机制。
（15）6类抗生素对金黄色葡萄球菌Newman和JE2 ΔrecA菌株的MIC值数据，来自表S1。该数据为所有实验中抗生素浓度的设置提供了准确基准，确保实验中使用的是严格定义的亚抑制浓度。
8. 结论
本研究通过系统的体外实验和数学模拟，揭示了亚抑制浓度抗生素对金黄色葡萄球菌的多重调控作用：一方面，6类不同作用机制的抗生素均能通过激活RecA介导的SOS应答通路，使细菌的耐药突变率升高1-10倍，增加了耐药性产生的风险；另一方面，亚抑制浓度抗生素会提高细菌的胞内ATP水平，增强代谢活性，从而显著降低持留菌的形成，减少细菌对抗生素的表型耐受。
这一“突变率升高-持久性降低”的权衡现象具有普遍性，对临床抗生素治疗具有重要的双重启示：体内抗生素浓度梯度形成的亚抑制区域，既可能通过诱导耐药突变导致治疗失败和耐药性传播，也可能通过降低持留性提高后续抗生素治疗的效果，减少复发性感染。该研究结果为重新评估抗生素治疗的药效学指标、优化给药方案和开发新型抗感染策略提供了重要的理论基础。
9. 芬兰Bioscreen仪器测量的微生物生长曲线数据的研究意义
本研究使用芬兰Bioscreen C自动生长曲线分析仪，测定了金黄色葡萄球菌Newman菌株在6类抗生素不同亚抑制浓度下的生长曲线。实验采用100孔板，将过夜培养物稀释至初始密度约10⁵ CFU/mL，每个条件设置5个技术重复，在37℃连续振荡条件下培养24小时，每5分钟自动测定一次OD600值。测得的数据用于计算最大生长速率、延迟期和最大OD值，相关结果来自图1、图S1、图S2和图S3。该仪器在此研究中的应用及数据的研究意义主要体现在以下六个方面：
（1）高通量自动化测定，提升实验效率与重复性：Bioscreen C支持100个样本同时检测，可一次性完成6类抗生素、10个浓度梯度（0.004×MIC至1×MIC）的生长曲线测定，大幅减少了人工取样的工作量和操作误差。连续24小时、每5分钟一次的高密度数据采集，确保了生长动力学参数计算的准确性，而5个技术重复的设置则保证了实验结果的可重复性。
（2）精确量化生长动力学参数，揭示浓度依赖性效应：通过对连续OD600数据的拟合，可精确计算出每个抗生素浓度下的最大生长速率、延迟期和最大OD值。这些定量参数清晰地展示了亚抑制浓度抗生素对细菌生长的浓度依赖性抑制规律：随着药物浓度升高，最大生长速率和最大OD逐渐降低，延迟期逐渐延长。本研究基于这些参数，选择了不影响稳定期生物量的亚抑制浓度进行后续突变率和持留性实验，排除了生物量差异对实验结果的干扰。
（3）标准化培养条件，确保结果可比性：Bioscreen系统能够精确控制培养温度（37℃）和振荡模式（连续振荡），消除了环境因素波动对细菌生长的影响。所有抗生素和菌株条件均在相同的标准化条件下进行培养，确保了不同实验之间结果的可比性，为验证该现象在6类不同抗生素中的普遍性提供了可靠的基础。
（4）为数学模型构建提供核心参数：本研究构建了突变率和持留性的数学模拟模型，而细菌的生长动力学参数（如生长速率、最大种群密度）是模型的核心输入。Bioscreen测得的精确生长参数，使模型能够更准确地模拟细菌种群的动态变化，验证实验观察到的突变率升高和持留性降低现象，并预测不同条件下的细菌行为。
（5）验证OD与活菌数的相关性，确保数据可靠性：本研究通过图S7验证了Bioscreen测得的OD600值与平板计数法得到的活菌数（CFU）高度相关。这一验证至关重要，因为后续的突变率计算和持留性分析均依赖于对细菌种群密度的准确估计，证明了基于OD的生长动力学分析能够真实反映细菌的实际生长情况。
（6）支持未来大规模临床菌株筛选：Bioscreen的高通量特性使其非常适合拓展至临床菌株的表型筛选。未来可利用该仪器快速测定大量临床分离的金黄色葡萄球菌菌株在亚抑制浓度抗生素下的生长动力学、突变率和持留性变化，评估该权衡现象在临床菌株中的普遍性和差异性，为开发个性化的抗生素治疗方案提供依据。