人工智能(AI)有助于确定全球抗菌素耐药性(AMR)研究中的知识、方法和沟通差距。

在朱永冠教授和David W. Graham教授的共同领导下，中国科学院和纽卡斯尔大学进行了一项新的研究，专家们编制了一个涵盖20年来254,738篇文章的综合数据库，揭示了全球抗菌素耐药性研究的模式。

他们发现，在抗菌素耐药性研究中使用的术语和方法在医学、兽医、食品安全、植物农业和环境部门之间存在显著差异。语义和方法上的差异导致部门之间的评估工作有限，跨部门沟通有限，导致向决策者传递的信息不一致。

通过基于人工智能的复杂分析，该团队开发了展示区域、方法和部门抗菌素耐药性研究活动的全球地图。研究结果证实了跨学科合作的严重缺乏，特别是在抗生素耐药性增加的负担最为严重的低收入国家。

发表在《国际环境》杂志上的研究结果解释了为什么基于“一种健康”的抗菌素耐药性解决方案没有按照需要发展。研究结果可在指导如何以及在何处更好地整合全球各部门和各区域的抗微生物药物耐药性监测方面发挥关键作用。

纽卡斯尔大学工程学名誉教授David W. Graham说:“研究结果强调了在跨部门和地区的研究方法上加强协调的迫切需要。例如，医学界和兽医界需要关于活的AMR感染病原体的信息来优先考虑决策，而环境研究人员经常关注遗传目标。我们的工作表明，在未来的所有工作中，培养微生物学和分离物测序以及宏基因组学必须同时进行，并且必须收集更多的背景数据以将不同部门的结果联系起来。

“我们的研究结果支持了联合国环境规划署和世界卫生组织的关键信息，即强调减轻抗菌素耐药性的最佳方法是通过预防和综合监测，这是优先考虑解决方案的关键。”

联合国抗菌素使用和耐药性综合监测四方技术小组正在处理这一问题，朱教授和格雷厄姆教授都是该小组的成员。

Graham继续说道:“这项工作之所以成为可能，是因为它新颖地使用了人工智能和自然语言处理技术来智能地搜索一个广泛而活跃的数据库，这是一个我们公开提供给公众使用和贡献的档案。这篇论文是利用人工智能指导未来抗菌素耐药性和其他研究议程的一系列联合手稿中的第一篇。”

中国科学院环境科学教授朱永冠教授补充说:“同一个健康的框架对于保护人类和生态系统的健康至关重要，但它需要路线图来实施;这项研究及时地指明了前进的道路。该研究还表明，多学科和国际合作对于解决全球挑战至关重要，我们应该拥抱人工智能等新兴技术。”

两位科学家都建议未来开展研究并增加对能力建设的投资，特别是在低收入国家，以解决这些地区紧迫的抗微生物药物耐药性挑战。以上翻译结果来自有道神经网络翻译（YNMT）· 通用场景