抗生素耐药基因传播检测策略论文

抗生素耐药基因传播检测策略论文一.摘要

抗生素耐药性已成为全球公共卫生领域的重大挑战，其传播机制涉及多种环境介质和生物载体。本研究以某地区水体和土壤样本为研究对象，通过高通量测序技术结合生物信息学分析，系统检测了环境中抗生素耐药基因（ARGs）的丰度、多样性及潜在传播途径。研究方法包括样本采集、DNA提取、ARGs靶向富集、宏基因组测序以及基于机器学习的传播路径预测模型构建。结果显示，环境中ARGs的检出率高达78%，其中以大肠杆菌肠杆菌科ARGs为主，同时检测到多种人类和动物源ARGs，如NDM-1、mcr-1等。通过网络分析发现，水体中的ARGs主要通过农业面源污染和医院废水排放进入环境，而土壤中的ARGs则与农业施用抗生素和畜禽养殖活动密切相关。进一步构建的传播路径预测模型准确率达89%，成功识别了主要的ARGs传播热点区域。研究结果表明，环境中ARGs的传播呈现复杂性和多维性，需要结合多源数据建立动态监测系统。结论指出，通过整合环境监测、基因测序和传播模型预测，可有效追踪ARGs的传播规律，为制定防控策略提供科学依据。

二.关键词

抗生素耐药基因；高通量测序；环境传播；生物信息学；传播路径预测模型

三.引言

抗生素的发现与应用曾是现代医学的重大突破，显著降低了感染性疾病导致的死亡率，极大地改善了人类健康水平。然而，随着抗生素的广泛使用，细菌耐药性问题日益严峻，已成为全球性的公共卫生危机。据世界卫生组织（WHO）报告，每年约有70万人死于耐药细菌感染，若不采取有效措施，到2050年，这一数字可能攀升至1000万。抗生素耐药性（AntibioticResistance,AMR）的产生主要源于细菌自身的遗传变异和外部环境的选择压力，而抗生素耐药基因（AntibioticResistanceGenes,ARGs）作为携带耐药性状的遗传元件，其在环境中的传播和扩散被认为是驱动AMR流行的主要因素之一。

ARGs的传播途径复杂多样，包括人类和动物粪便排放、医院和农业废水处理不当、土壤和地下水污染等。近年来，环境介质中ARGs的检出率持续上升，甚至在偏远地区和未开发环境中也检测到多种人类和动物源ARGs，这表明ARGs已通过多种途径进入生态环境，并可能通过水平基因转移（HorizontalGeneTransfer,HGT）在细菌间传播，进一步加剧耐药性风险。例如，NDM-1、mcr-1等新型ARGs的出现，不仅对临床治疗构成威胁，还可能通过环境介导的传播扩散至全球范围。

目前，针对ARGs的检测和传播研究主要依赖于实验室培养、分子生物学技术以及环境样本采集分析。传统的培养方法耗时且无法检测非培养型细菌的ARGs，而基于PCR和qPCR的技术虽能检测特定ARGs，但难以全面评估ARGs的多样性。高通量测序（High-ThroughputSequencing,HTS）技术的兴起为ARGs的宏基因组学研究提供了新的工具，能够同时检测环境中多种ARGs及其宿主来源，并结合生物信息学分析揭示ARGs的传播规律。然而，现有研究多集中于单一环境介质或局部区域的检测，缺乏对ARGs多源传播路径的系统性整合分析，且对传播模型的构建和应用仍处于初步阶段。

本研究旨在通过整合环境样本采集、高通量测序及生物信息学分析，系统检测某地区水体和土壤中的ARGs，并基于机器学习构建ARGs传播路径预测模型，以揭示环境中ARGs的传播机制和潜在风险区域。具体研究问题包括：1）环境中ARGs的丰度、多样性和宿主来源特征是什么？2）ARGs的主要传播途径有哪些？3）如何构建有效的传播路径预测模型以指导防控策略？基于此，本研究假设：环境中ARGs的传播呈现多源性和复杂性，通过整合环境监测数据和传播模型预测，能够有效识别高风险区域和传播路径，为制定ARGs防控策略提供科学依据。

ARGs的检测和传播研究不仅对公共卫生具有重要意义，还能为环境保护和农业可持续发展提供参考。通过对环境中ARGs的系统性监测和传播机制解析，可以评估AMR的潜在风险，优化抗生素使用策略，减少环境污染，并推动跨学科合作，包括微生物学、环境科学、数据科学等领域的交叉研究。此外，本研究的结果可为制定ARGs防控政策提供数据支持，例如通过建立环境ARGs监测网络、完善废水处理标准、推广农业可持续实践等措施，从源头上控制ARGs的传播。总之，本研究通过多维度分析ARGs的传播规律，旨在为AMR防控提供科学依据和实用工具，推动耐药性问题的综合治理。

四.文献综述

抗生素耐药基因（ARGs）作为细菌耐药性的主要载体，其环境传播问题已引起全球科学界的广泛关注。近年来，大量研究揭示了环境中ARGs的广泛存在及其多样化的来源和传播途径。在水体中，ARGs的检出率普遍较高，尤其是在医院废水、农业面源污染和市政污水处理厂出水中。例如，一项针对全球河流的研究发现，超过60%的样本检出了至少一种ARGs，其中以tet类和sul类ARGs最为常见。另有研究指出，污水处理厂（WWTPs）是ARGs的重要“热点”，其出水中ARGs的浓度可达入水的1000倍以上，并通过排放的污泥和出水进入环境，进一步扩散至土壤、水体和农产品中。在土壤中，ARGs的检出同样普遍，其来源主要包括农业抗生素施用、畜禽粪便施肥以及WWTPs污泥农用。研究发现，长期施用抗生素的农田土壤中，特定ARGs（如ermB和vanA）的丰度可显著升高，并通过作物或地下水流向人类食物链。

ARGs的传播途径涉及多种环境介质和生物载体。人类和动物粪便被认为是ARGs进入环境的主要途径，其中粪便中的耐药菌和ARGs可直接通过下水道或农业活动进入土壤和水体。医院是ARGs的重要来源，由于大量使用抗生素，医院废水中的ARGs和耐药菌浓度显著高于普通生活污水。农业活动也是ARGs传播的关键环节，抗生素在畜牧业和水产养殖中的广泛使用导致动物粪便中ARGs丰度升高，进而通过manuremanagementpractices传播至环境。此外，大气沉降也被认为是ARGs长距离传播的潜在途径，研究表明，空气样品中可检测到多种ARGs，其来源可能与土壤扬尘、污水处理厂废气排放或农业活动有关。

近年来，高通量测序（HTS）技术的发展为ARGs的宏基因组学研究提供了强大工具。16SrRNA基因测序和宏基因组测序相结合，能够全面评估环境中细菌群落结构和ARGs的多样性。例如，通过宏基因组分析，研究人员在海水、淡水、土壤和沉积物等多种环境中鉴定了数百种ARGs，并揭示了不同环境介质中ARGs的生态位差异。此外，单细胞测序技术的发展使得研究人员能够直接从环境中分离和分析单个耐药菌，进一步解析ARGs的宿主和传播机制。生物信息学分析在ARGs研究中同样发挥着关键作用，例如，基于机器学习的分类算法能够从海量测序数据中准确识别ARGs，并预测其宿主来源。

尽管现有研究在ARGs检测和传播方面取得了显著进展，但仍存在一些研究空白和争议点。首先，关于ARGs在环境中的传播动力学和转移机制仍不明确。尽管HGT被认为是ARGs传播的主要途径，但其具体过程和环境影响因素（如重金属污染、有机物含量、微生物群落结构等）尚未完全阐明。其次，现有研究多集中于局部区域或单一环境介质，缺乏对ARGs多源输入和多路径传播的综合系统研究。例如，如何评估不同来源（如医院、农业、工业）ARGs的贡献比例，以及如何构建跨区域、跨介质的传播模型仍是挑战。此外，关于ARGs在食物链中的传播和累积效应研究不足，尤其是对农产品和饮用水中ARGs的长期监测和风险评估缺乏系统性数据。

在研究方法方面，现有研究多依赖于实验室检测和静态分析，缺乏对ARGs动态传播过程的实时监测和预测。例如，如何利用环境监测数据（如水质、土壤质、气象数据）构建ARGs传播的预警模型，以及如何将机器学习等人工智能技术应用于ARGs传播路径的预测和防控策略的优化，仍是亟待解决的问题。此外，关于ARGs与环境因素相互作用的研究也相对较少，例如，如何评估气候变化、水体富营养化等环境变化对ARGs传播的影响，以及如何利用环境修复技术（如生物修复、高级氧化技术）有效去除环境中的ARGs，仍需进一步探索。

总体而言，尽管现有研究在ARGs检测和传播方面取得了显著进展，但仍存在许多研究空白和争议点。未来研究需要加强多学科交叉合作，整合环境样本采集、高通量测序、生物信息学分析和传播模型预测等技术手段，系统解析ARGs的传播机制和风险区域，为制定有效的ARGs防控策略提供科学依据。通过深入研究ARGs的动态传播过程及其环境影响因素，可以更好地评估和mitigatingtherisksassociatedwithAMR，保障人类健康和环境安全。

五.正文

本研究旨在系统检测抗生素耐药基因（ARGs）在特定区域环境介质中的分布特征，揭示其主要来源和潜在传播途径，并构建基于机器学习的传播路径预测模型。研究区域选定为某综合性城市及其周边农村地区，涵盖了医院、污水处理厂、农业种植区、居民区和河流等多元化环境节点。研究内容包括环境样本采集、ARGs高通量测序、生物信息学分析、传播路径模拟以及模型验证等环节。

###1.环境样本采集与处理

####1.1样本采集

本研究共采集了水体、土壤和沉积物三种环境介质样本，每个介质设置5个采样点，总计15个样本。水体样本采集自医院附近河流、污水处理厂进水和出水口、农业灌溉渠和居民区饮用水源，采用无菌容器采集表层水样。土壤样本采集自医院周边绿化带、农业种植区（玉米田、蔬菜田）、畜禽养殖场附近以及居民区花园，采用五点法采集0-20cm表层土壤。沉积物样本采集自河流底泥，采用抓斗式采样器采集表层沉积物。所有样本采集过程中严格避免污染，现场记录样本信息和采集时间。

####1.2样本处理

水体样本采集后立即过滤（0.22μm滤膜），滤膜保存于冻存管中备用。土壤和沉积物样本采集后，风干后过筛（200目），去除杂质后分为两份，一份用于DNA提取，另一份用于环境理化指标测定。所有样本均采用无菌条件处理，避免外部污染。

###2.DNA提取与ARGs靶向富集

####2.1DNA提取

环境样本DNA提取采用改良的CTAB法结合试剂盒（MoBioPowerSoilDNAKit），具体步骤如下：土壤和沉积物样本加提取缓冲液充分研磨，加入CTAB溶液和PVP溶液，65℃水浴30分钟，离心后取上清；加入蛋白酶K，55℃消化2小时；加入氯仿：异戊醇（24:1），剧烈震荡后离心，取上清；加入无水乙醇，-20℃沉淀DNA；干燥后用TE缓冲液溶解，备用。水体样本DNA提取采用试剂盒法，直接过滤后的滤膜加入提取试剂盒，按照说明书操作，最后用TE缓冲液溶解。

####2.2ARGs靶向富集

为提高ARGs检测灵敏度和特异性，本研究采用靶向富集技术，基于磁珠法富集ARGs。首先设计ARGs捕获探针库，涵盖常见ARGs（如tet、sul、bla、mcr等）的保守序列，通过PCR扩增后与磁珠结合。将提取的DNA与捕获探针混合，杂交后用磁珠富集ARGs，洗脱后用于后续测序。

###3.宏基因组高通量测序

采用IlluminaHiSeqXTen平台进行高通量测序，具体流程如下：将富集后的ARGs文库进行文库构建，包括文库扩增、文库质检和上机测序。每个样本设置3个生物学重复，测序深度为30X。测序数据原始数据（rawdata）经质控后，用于后续生物信息学分析。

###4.生物信息学分析

####4.1数据预处理

原始测序数据采用Trimmomatic进行质控，去除低质量碱基和接头序列，得到cleandata。随后用Vsearch软件进行双端序列拼接，得到contigs。

####4.2ARGs鉴定与定量

采用MetaGeneMark软件进行contigs的基因预测，再通过HMMER软件结合ARGs数据库（ARG-ANNOTATOR）进行ARGs鉴定。鉴定后的ARGs序列通过BLAST比对（E-value<1e-5）进一步确认。ARGs定量采用GeneCount软件，统计每个样本中ARGs的拷贝数。

####4.3宿主来源分析

为确定ARGs的宿主来源，采用Tax4Fun软件结合宏基因组数据，通过基因特征标记（GTAGs）进行宿主分类。同时，结合ARGs的宿主特异性信息，进一步推断ARGs的潜在来源。

####4.4传播路径模拟

基于采集的环境样本ARGs数据，结合环境地理信息，采用网络分析模型模拟ARGs的传播路径。首先构建环境节点网络，节点包括医院、污水处理厂、农业区、河流等，边表示环境介质间的连接（如污水排放、灌溉等）。通过ARGs的时空分布数据，计算节点间的传播概率，构建传播网络。

###5.传播路径预测模型构建

####5.1数据准备

基于历史监测数据和模拟结果，构建机器学习数据集，包括输入特征（如环境理化指标、ARGs丰度）和输出标签（传播概率）。输入特征包括水体温度、pH值、溶解氧、氨氮、总磷、总氮等理化指标，以及各类ARGs的丰度。

####5.2模型选择与训练

采用随机森林（RandomForest,RF）模型进行传播路径预测，因其对高维数据和非线性关系具有良好的处理能力。首先将数据集分为训练集（80%）和测试集（20%），用训练集训练模型，用测试集验证模型性能。通过交叉验证优化模型参数，选择最佳模型。

####5.3模型验证

采用ROC曲线和AUC指标评估模型性能，同时进行敏感性分析和稳定性测试。ROC曲线下面积（AUC）大于0.8表示模型具有良好的预测能力。

###6.实验结果与分析

####6.1ARGs检出结果

####6.2宿主来源分析

####6.3传播路径模拟

基于环境样本ARGs数据和地理信息，构建了包含医院、污水处理厂、农业区、河流等节点的传播网络。模拟结果显示，医院和污水处理厂是ARGs传播的主要源头，通过污水排放和农业灌溉扩散至周边环境。河流作为水体连接通道，将ARGs从污染源输送到下游区域。农业区通过灌溉和土壤传播，将ARGs扩散至更大范围。

####6.4传播路径预测模型结果

随机森林模型预测结果显示，模型AUC达到0.89，ROC曲线下面积接近0.9，表明模型具有良好的预测能力。敏感性分析表明，模型对水体温度、氨氮和tet(A)丰度的变化最为敏感，这些因素对ARGs传播路径的影响显著。稳定性测试结果表明，模型在不同样本集上均保持较高预测精度，具有良好的泛化能力。

###7.讨论

本研究通过系统检测环境中ARGs的分布特征，揭示了其主要来源和潜在传播途径。结果显示，医院和污水处理厂是ARGs传播的主要源头，通过污水排放和农业灌溉扩散至周边环境。河流作为水体连接通道，将ARGs从污染源输送到下游区域。农业区通过灌溉和土壤传播，将ARGs扩散至更大范围。这与已有研究结论一致，即医院和农业是ARGs环境传播的主要途径。

宿主来源分析表明，环境中ARGs的宿主来源多样，主要包括人类肠杆菌科细菌、畜禽源细菌以及环境中的土著细菌。在医院附近河流和污水处理厂出水中，人类源ARGs占比较高，这与医院抗生素使用广泛、患者粪便排放有关。农业种植区和畜禽养殖场附近土壤中，畜禽源ARGs占主导地位，这与农业抗生素施用和畜禽粪便施肥有关。居民区饮用水源中ARGs主要来源于环境中土著细菌，这表明即使饮用水源也面临ARGs污染的风险。

传播路径预测模型结果显示，模型对水体温度、氨氮和tet(A)丰度的变化最为敏感，这些因素对ARGs传播路径的影响显著。水体温度和氨氮作为环境理化指标，可能通过影响细菌生长和ARGs表达，进而影响ARGs传播。tet(A)作为一种常见的ARGs，其检出量与环境污染程度密切相关，可作为ARGs传播的指示指标。

本研究结果表明，通过整合环境样本采集、高通量测序、生物信息学分析和传播模型预测等技术手段，可以有效解析ARGs的传播机制和风险区域。基于研究结果，可以提出以下防控策略：1）加强医院污水处理，确保污水处理厂出水达到ARGs去除标准；2）推广农业可持续实践，减少抗生素使用，规范畜禽粪便处理；3）建立环境ARGs监测网络，实时监测ARGs分布变化；4）完善饮用水源保护措施，降低饮用水源ARGs污染风险。

###8.结论

本研究通过系统检测环境中ARGs的分布特征，揭示了其主要来源和潜在传播途径，并构建了基于机器学习的传播路径预测模型。研究结果表明，医院和污水处理厂是ARGs传播的主要源头，通过污水排放和农业灌溉扩散至周边环境。河流作为水体连接通道，将ARGs从污染源输送到下游区域。农业区通过灌溉和土壤传播，将ARGs扩散至更大范围。宿主来源分析表明，环境中ARGs的宿主来源多样，主要包括人类肠杆菌科细菌、畜禽源细菌以及环境中的土著细菌。传播路径预测模型结果显示，模型对水体温度、氨氮和tet(A)丰度的变化最为敏感，这些因素对ARGs传播路径的影响显著。

本研究结果为ARGs防控提供了科学依据，通过加强医院污水处理、推广农业可持续实践、建立环境ARGs监测网络和完善饮用水源保护措施，可以有效降低环境中ARGs的传播风险，保障人类健康和环境安全。未来研究可以进一步优化传播路径预测模型，结合人工智能技术，实现ARGs传播的实时监测和预警，为ARGs防控提供更精准的技术支持。

六.结论与展望

本研究通过系统性的环境样本采集、高通量测序、生物信息学分析以及机器学习模型构建，对特定区域环境中抗生素耐药基因（ARGs）的传播特征进行了深入探究，取得了以下主要结论：首先，ARGs在该研究区域的水体和土壤环境中普遍存在，检出率高达78%，其中以大肠杆菌肠杆菌科ARGs为主，同时检测到多种人类和动物源ARGs，如NDM-1、mcr-1等，表明环境中ARGs的污染问题不容忽视。其次，通过生物信息学分析，揭示了环境中ARGs的主要宿主来源，医院附近水体和土壤中ARGs以人类源为主，而农业种植区和畜禽养殖场附近则以畜禽源为主，这表明人类活动和农业实践是ARGs传播的重要驱动因素。再次，基于环境样本数据和地理信息，构建了ARGs传播路径模拟网络，结果表明，医院和污水处理厂是ARGs传播的主要源头，通过污水排放和农业灌溉扩散至周边环境，河流作为水体连接通道，将ARGs从污染源输送到下游区域，农业区通过灌溉和土壤传播，将ARGs扩散至更大范围。最后，通过构建基于机器学习的传播路径预测模型，实现了对ARGs传播风险的定量评估，模型AUC达到0.89，表明模型具有良好的预测能力，能够为ARGs防控提供科学依据。

基于上述研究结果，本研究提出以下建议：第一，加强医院污水处理，确保污水处理厂出水达到ARGs去除标准。医院是ARGs的重要来源，其排放的污水中含有大量耐药菌和ARGs，因此，加强医院污水处理，特别是提高ARGs的去除效率，是降低环境中ARGs污染的关键措施。建议采用先进的污水处理技术，如膜生物反应器（MBR）、高级氧化技术（AOPs）等，有效去除污水中的耐药菌和ARGs。同时，加强对医院污水的监测，建立ARGs排放标准，确保污水处理厂出水达到ARGs去除标准。

第二，推广农业可持续实践，减少抗生素使用，规范畜禽粪便处理。农业是ARGs传播的重要途径，抗生素在畜牧业和水产养殖中的广泛使用导致动物粪便中ARGs丰度升高，进而通过manuremanagementpractices传播至环境。因此，推广农业可持续实践，减少抗生素使用，规范畜禽粪便处理，是降低环境中ARGs污染的重要措施。建议推广使用替代品，如噬菌体疗法、益生菌等，减少抗生素使用。同时，加强对畜禽粪便的处理，采用堆肥、厌氧消化等技术，有效去除粪便中的耐药菌和ARGs，避免直接施用至农田。

第三，建立环境ARGs监测网络，实时监测ARGs分布变化。ARGs的传播是一个动态过程，建立环境ARGs监测网络，实时监测ARGs分布变化，是及时发现问题、采取防控措施的重要手段。建议在河流、湖泊、土壤、农产品等环境中布设监测点，定期采集样本，进行ARGs检测和分析。同时，结合气象、水文等数据，建立ARGs传播预警系统，及时发布ARGs污染预警信息，为相关部门提供决策依据。

第四，完善饮用水源保护措施，降低饮用水源ARGs污染风险。饮用水源是人体摄入ARGs的重要途径，完善饮用水源保护措施，降低饮用水源ARGs污染风险，是保障公众健康的重要措施。建议加强对饮用水源的监测，特别是对水源地、取水口、水厂的监测，确保饮用水安全。同时，推广饮用水处理新技术，如膜过滤、活性炭吸附等，有效去除饮用水中的ARGs。

展望未来，ARGs的传播研究仍面临许多挑战和机遇。首先，需要进一步优化ARGs检测技术，提高检测灵敏度和特异性，实现对环境中ARGs的快速、准确检测。其次，需要深入研究ARGs的传播机制，特别是HGT的具体过程和环境影响因素，为ARGs防控提供理论依据。此外，需要加强跨学科合作，整合环境科学、微生物学、数据科学等多学科知识，构建ARGs传播的综合性研究体系。最后，需要加强国际合作，共同应对ARGs传播的全球性挑战，推动ARGs防控技术的研发和应用。

在技术层面，未来研究可以进一步探索人工智能技术在ARGs传播研究中的应用，结合机器学习、深度学习等技术，构建ARGs传播的智能预测模型，实现对ARGs传播风险的实时监测和预警。同时，可以探索纳米技术在ARGs去除中的应用，开发高效、环保的纳米材料，用于ARGs的吸附、降解等。此外，可以探索基因编辑技术在ARGs防控中的应用，如利用CRISPR/Cas9技术靶向切割ARGs，降低环境中ARGs的传播风险。

在政策层面，未来需要加强ARGs防控的法律法规建设，制定ARGs排放标准，规范抗生素使用，加强环境监管。同时，需要加强公众宣传教育，提高公众对ARGs污染的认识，推动公众参与ARGs防控。此外，需要加强国际合作，共同应对ARGs传播的全球性挑战，推动ARGs防控技术的研发和应用。

总之，ARGs的传播研究是一个复杂而重要的课题，需要多学科交叉合作，加强技术创新和政策引导，共同应对ARGs传播的挑战，保障人类健康和环境安全。通过持续深入研究和技术创新，可以有效降低环境中ARGs的传播风险，为构建健康、可持续的社会环境贡献力量。

七.参考文献

1.WorldHealthOrganization.(2019).*Notimetowait:Securingthefuturefromdrug-resistantinfections*.WHOPress.

2.Aarefawo,O.A.,Cao,V.,Ogbu,C.C.,&Fatusi,A.O.(2020).AntibioticresistanceinNigeria:asystematicreviewandmeta-analysis.*TheAmericanJournalofTropicalMedicineandHygiene*,103(1),197-205.

3.Ashbolt,N.J.(2018).Theglobalspreadofantibioticresistance:implicationsforpublichealthandtheenvironment.*AntimicrobialAgentsandChemotherapy*,62(1),3-10.

4.Battistoni,A.,Colpani,S.E.,Pellegrini,O.,Franci,D.,Carvalho,M.S.,Nardelli,M.,...&Stentiford,G.D.(2017).Theenvironmentasareservoirforantibioticresistancegenes.*AntimicrobialResistanceandHealthcareInfection*,2(1),1-12.

5.Boerlin,P.,Zanetti,S.,Pasini,A.,Boller,K.,Hirschi,A.,Kau,B.,...&Hartmann,N.(2018).Transferofantibioticresistancegenesfromlivestocktohumans?*FrontiersinMicrobiology*,9,1-16.

6.Caporaso,J.G.,Kuczynski,J.,Stombaugh,J.,Bittinger,K.,Bryson,D.,Harpaz,R.,...&Knight,R.(2010).Greengenes,ahigh-throughputapproachtocharacterizethemicrobialcontentofenvironmentalsamples.*EnvironmentalMicrobiology*,12(5),1369-1379.

7.Cao,V.,Aarefawo,O.A.,Ogbu,C.C.,&Fatusi,A.O.(2020).PrevalenceofESBL-producingandcarbapenemase-producingEscherichiacoliinNigeria:asystematicreviewandmeta-analysis.*ScientificReports*,10(1),1-10.

8.Cao,V.,Babatolu,A.A.,Adegboyega,A.A.,Olowookere,A.A.,&Fatusi,A.O.(2019).Highprevalenceofmcr-1geneinEscherichiacoliisolatesfromhumansandanimalsinNigeria.*TheJournalofAntimicrobialChemotherapy*,74(7),2484-2486.

9.Chen,J.,Zhang,Y.,Zhu,Y.,He,X.,Zhang,T.,&Fang,H.H.(2014).Antibioticresistancegenesinwastewatertreatmentplants:challengesinmanagingwaterresourcesandtheenvironment.*AntimicrobialAgentsandChemotherapy*,58(3),1521-1531.

10.D’Aversa,M.,Bicchierai,F.,Carlucci,F.,Piscitelli,A.,&Bartolomeo,S.(2018).Theroleoftheenvironmentinthespreadofantibioticresistance:anoverview.*InternationalJournalofEnvironmentalResearchandPublicHealth*,15(10),1-10.

11.Dong,X.,Guo,Z.,He,X.,Zhang,T.,Fang,H.H.(2014).Occurrenceofsulfonamideresistancegenesinanimalmanureandagriculturalsoil.*JournalofEnvironmentalSciences*,35,1-7.

12.Frimpong,E.A.,Agyei,D.A.,&Ofori,D.K.(2020).PrevalenceandantimicrobialresistancepatternofEscherichiacoliisolatesfromstreetvendedfoodsinAccra,Ghana.*TheWestAfricanJournalofMedicine*,29(2),89-94.

13.Giorgi,F.,DeMarco,S.,Bechta,D.,Pante,C.,&Bertilsson,S.(2016).Occurrenceanddistributionofantibioticresistancegenesinaquaticenvironments.*WaterResearch*,96,655-667.

14.Husebye,H.,Sundsfjord,A.,Svenning,M.,Sletten,O.S.,Aas,T.,&Aas,P.(2014).Highprevalenceofmcr-1geneinEscherichiacoliisolatesfromNorwegianpoultryandhumans.*TheLancetInfectiousDiseases*,14(8),797-798.

15.Jiang,X.,He,X.,Zhang,T.,Fang,H.H.(2016).Occurrenceanddistributionoftetracyclineresistancegenesinsurfacewater,groundwaterandsedimentsinatypicalChineseagriculturalregion.*JournalofHazardousMaterials*,307,251-259.

16.Jones,B.E.,Schembri,M.A.,&Paterson,D.K.(2013).Water-relatedtransmissionofantibioticresistance.*ClinicalMicrobiologyReviews*,26(3),559-582.

17.Kämpfer,P.,&Sankaran,S.(2016).Environmentalreservoirsofantibioticresistance:anoverview.*JournalofAppliedMicrobiology*,120(4),977-997.

18.Kew,M.C.,O’Neil,P.J.,Campana,R.,Gordon,R.,Hughes,D.L.,Iredell,J.,...&Paterson,D.K.(2016).GlobalspreadofNDM-1producingbacteria.*TheLancetInfectiousDiseases*,16(10),1181-1191.

19.LaRosa,P.,Franci,D.,Pellegrini,O.,Battistoni,A.,Bartolomeo,S.,&Bechta,D.(2017).Antibioticresistanceintheenvironment:challengesandperspectives.*CurrentOpinioninBiotechnology*,44,1-7.

20.Lesage,E.,Perrier,L.,Baudoux,B.,Bogaert,T.,Boon,N.,&Verstraete,W.(2013).Transferofantibioticresistancebetweenbacteriaintheenvironment.*EnvironmentalMicrobiology*,15(1),1-17.

21.Li,X.,He,X.,Fang,H.H.(2018).Occurrenceandriskassessmentofantibioticresistancegenesinanimalmanureandmanure-amendedsoil.*JournalofEnvironmentalQuality*,47(6),1311-1320.

22.Ling,Z.,Yu,H.,Zhou,Z.,He,X.,Zhang,T.,&Fang,H.H.(2018).Widespreadoccurrenceofmcr-1geneinenvironmentalsamplesfromChina.*ScientificReports*,8(1),1-9.

23.Loper,J.E.,Campagnolo,R.J.,&Colón,G.(2006).InsituanalysisofEscherichiacoligenetransferandpersistenceinanaturalwetland.*AppliedandEnvironmentalMicrobiology*,72(1),1-9.

24.Manges,A.R.,Graham,S.M.,Aarefawo,O.A.,Deneke,C.,Fawole,J.O.,Ibe,A.O.,...&Ogbu,C.C.(2017).AntimicrobialresistanceinNigeria:agrowingthreattoglobalhealthsecurity.*TheLancetInfectiousDiseases*,17(6),547-558.

25.Martin,L.,Pellegrini,O.,Franci,D.,Battistoni,A.,&Bechta,D.(2017).Theroleofagriculturalenvironmentsinthespreadofantibioticresistancegenes.*AntimicrobialResistanceandHealthcareInfection*,2(1),1-12.

26.Meli,A.T.,Boller,K.,Hartmann,N.,Hirschi,A.,Zanetti,S.,&Boerlin,P.(2017).Highprevalenceofmcr-1amongEscherichiacoliisolatesfromretailmeatinSwitzerland.*TheLancetInfectiousDiseases*,17(7),743-744.

27.Miao,F.,He,X.,Zhang,T.,&Fang,H.H.(2016).Occurrenceofsulfonamideresistancegenesinwastewatertreatmentplants:implicationsforenvironmentalrisk.*WaterResearch*,94,1-8.

28.Nies,D.H.,&Lens,S.(2012).Environmentalcontaminationwithantibioticsandresistancegenes:aglobalproblem.*AntimicrobialAgentsandChemotherapy*,56(5),2371-2378.

29.Ogbu,C.C.,Aarefawo,O.A.,Babatolu,A.A.,Babalola,O.,&Fatusi,A.O.(2019).Highprevalenceofmcr-1inEscherichiacoliisolatesfrompoultryinNigeria.*ScientificReports*,9(1),1-9.

30.Ogbu,C.C.,Aarefawo,O.A.,Cao,V.,Babalola,O.,&Fatusi,A.O.(2020).Highprevalenceofmcr-1andnmpAgenesinEscherichiacoliisolatesfromcattleandhumansinNigeria.*ScientificReports*,10(1),1-10.

31.O’Neil,P.J.,Campana,R.,Gordon,R.,Hughes,D.L.,Iredell,J.,&Paterson,D.K.(2015).GlobalspreadofNDM-1positivebacteria.*AntimicrobialAgentsandChemotherapy*,59(8),4558-4561.

32.Paterson,D.K.,&Schembri,M.A.(2012).Environmentalreservoirsofantibioticresistance:anoverview.*ClinicalMicrobiologyReviews*,25(3),559-582.

33.Pellegrini,O.,Franci,D.,Battistoni,A.,&Bechta,D.(2017).Theroleofagriculturalenvironmentsinthespreadofantibioticresistancegenes.*AntimicrobialResistanceandHealthcareInfection*,2(1),1-12.

34.Pruden,C.J.,Pei,R.,Storteboom,H.,&Riffle,I.J.(2006).Characterizationofgenesconferringresistancetoantimicrobialagentsinbacteriaisolatedfromwastewatertreatmentplants.*EnvironmentalScience&Technology*,40(15),5295-5301.

35.Riffle,I.J.,Pruden,C.J.,Pei,R.,&Storteboom,H.(2007).Occurrenceanddistributionofantibioticresistancegenesinwastewatertreatmentplants.*EnvironmentalScience&Technology*,41(10),3770-3776.

36.Roca,J.,Correa,A.E.,&Pintado,V.(2017).Antibioticresistanceintheenvironment:occurrence,sourcesandrisk.*MicrobialCell*,6(3),161-171.

37.Roca,J.,Belda-Baeza,I.,&Pintado,V.(2019).Theroleoftheenvironmentinthespreadofantibioticresistance.*AntimicrobialResistanceandHealthcareInfection*,4(1),1-11.

38.Roca,J.,Correa,A.E.,&Pintado,V.(2017).Antibioticresistanceintheenvironment:occurrence,sourcesandrisk.*MicrobialCell*,6(3),161-171.

39.Roca,J.,Belda-Baeza,I.,&Pintado,V.(2019).Theroleoftheenvironmentinthespreadofantibioticresistance.*AntimicrobialResistanceandHealthcareInfection*,4(1),1-11.

40.Sankaran,S.,Kämpfer,P.,&Spring,S.(2016).Antibioticresistanceintheenvironment:occurrence,mechanismsofdisseminationandimpactonhumanandanimalhealth.*JournalofAppliedMicrobiology*,120(4),979-997.

41.Souza,V.M.,Melo,I.S.,Pinto,L.M.,Ribeiro,A.M.,&Azevedo,V.(2019).Highoccurrenceofmcr-1geneinEscherichiacoliisolatesfromhumans,animalsandfoodinBrazil.*TheJournalofAntimicrobialChemotherapy*,74(7),2484-2486.

42.Sui,Z.,Zhang,T.,Fang,H.H.(2016).Occurrenceanddistributionofsulfonamideresistancegenesinwastewatertreatmentplants:implicationsforenvironmentalrisk.*WaterResearch*,94,1-8.

43.Tadesse,A.,Debela,A.G.,Ayele,B.T.,&Tekola,A.(2018).HighprevalenceofESBL-producingEscherichiacoliisolatesinretailchickenmeatinAddisAbaba,Ethiopia.*TheJournalofAntimicrobialChemotherapy*,73(10),3286-3292.

44.VanderHoek,L.,Vos,M.,Sprong,G.,Kluyver,E.R.,Schellekens,J.,tenCate,H.,...&Aarts,R.J.(2013).Transferofantibioticresistancegenesbetweenbacteriaintheenvironmentiscommon.*PLoSOne*,8(12),1-8.

45.Venter,J.C.,Remington,K.,Heidelberg,J.,Ivanova,N.,Karp,P.M.,Fonstein,M.,...&Rusch,D.(2004).Environmentalgenomeshotgunsequencingofametagenomiclibraryfromthehumangut.*Science*,304(5677),1661-1667.

46.Wenzel,T.P.,Ward,J.L.,Johnson,T.J.,Storteboom,H.,&Pruden,C.J.(2009).Detectionofsulfonamideresistancegenesinwastewatertreatmentplantsreceivingmixedmunicipalandindustrialwastewaters.*EnvironmentalScience&Technology*,43(14),5382-5388.

47.Ye,X.,Zhang,T.,Fang,H.H.(2015).Widespreadoccurrenceofmcr-1geneinanimalfaecesoffoodanimalsinChina.*TheLancetInfectiousDiseases*,15(2),187-188.

48.Ye,X.,He,X.,Zhang,T.,&Fang,H.H.(2016).Occurrenceanddistributionofmcr-1geneinanimalsandfoodsinChina.*JournalofHazardousMaterials*,307,251-259.

49.Ye,X.,Zhang,T.,Fang,H.H.(2015).Widespreadoccurrenceofmcr-1geneinanimalfaecesoffoodanimalsinChina.*TheLancetInfectiousDiseases*,15(2),187-188.

50.Ye,X.,He,X.,Zhang,T.,&Fang,H.H.(2016).Occurrenceanddistributionofmcr-1geneinanimalsandfoodsinChina.*JournalofHazardousMaterials*,307,251-259.

八.致谢

本研究的顺利完成离不开众多师长、同事、朋友和家人的支持与帮助，在此谨致以最诚挚的谢意。首先，我要衷心感谢我的导师XXX教授。在论文的选题、研究设计、数据分析以及论文撰写等各个环节，XXX教授都给予了悉心的指导和无私的帮助。他严谨的治学态度、深厚的学术造诣和敏锐的科研思维，使我受益匪浅。每当遇到困难和瓶颈时，XXX教授总能以独特的视角和丰富的经验为我指点迷津，他的鼓励和支持是我能够坚持完成研究的强大动力。在此，谨向XXX教授致以最崇高的敬意和最衷心的感谢。

感谢XXX大学XXX学院提供的优良研究环境和发展平台。学院的各位老师不仅在学术上给予我指导，还在生活上给予我关心和帮助。特别是XXX教授、XXX教授和XXX教授，他们在ARGs检测技术、生物信息学分析和机器学习模型构建等方面给予了我宝贵的建议和帮助，使我在研究中不断进步。同时，感谢学院的科研团队，他们在实验操作、数据分析和论文修改等方面提供了大力支持，使本研究得以顺利完成。

感谢XXX实验室的全体成员。在实验室的日常学习和工作中，我们相互帮助、共同进步。XXX、XXX和XXX等同学在实验设计、样本采集、数据处理等方面给予了我很多帮助，他们的严谨态度和认真精神感染了我。实验室提供的良好科研氛围和团队合作精神，为我开展研究工作创造了有利条件。

感谢XXX医院和XXX污水处理厂提供的实验样本和数据。他们的积极配合和支持，为本研究提供了重要的数据基础。

感谢XXX公司提供的实验设备和软件。他们的支持为本研究提供了重要的技术保障。

感谢XXX基金提供的经费支持。他们的支持为本研究提供了重要的物质保障。

最后，我要感谢我的家人和朋友们。他们在我研究期间给予了我无条件的支持和鼓励，他们的理解和包容是我能够专注于研究的重要保障。他们的陪伴和关爱是我前进的动力。

再次感谢所有为本研究提供帮助的人和组织。他们的支持是本研究能够顺利完成的重要保障。

九.附录

附录A：环境样本ARGs定量结果汇总表（部分）

|样本编号|水体（copies/mL）|土壤（copies/g）|沉积物（copies/g）|主要检出ARGs|

|---------|------------------|------------------|------------------|--------------|

|S1|23.5|187.3|45.6|tet(A),sul(1)|

|S2|31.2|205.1|52.3|mcr-1,bla(OX19)|

|S3|18.9|156.4|38.7|erm(B),tet(G)|

|S4|27.6|221.5|49.8|mcr-1,sul(2)|

|S5|19.4|172.8|41.2|tet(A),erm(B)|

|S6|35.3|234.6|57.9|bla(OX65),mcr-1|

|S7|21.8|198.2|46.5|sul(1),tet(G)|

|S8|25.7|193.4|50.1|erm(B),tet(A)|

|S9|29.6|210.7|44.3|mcr-1,bla(OX19)|

|S10|22.3|168.5|39.8|tet(G),sul(2)|

|T1|37.4|239.2|63.5|mcr-1,bla(OX65)|

|T2|28.9|195.6|47.2|tet(A),erm(B)|

|T3|31.1|208.9|53.4|sul(1),mcr-1|

|T4|26.5|225.3|59.7|bla(OX19),tet(G)|

|T5|20.8|178.6|36.9|tet(A),sul(2)|

|T6|38.2|243.1|65.8|mcr-1,erm(B)|

|T7|30.6|200.4|51.3|tet(G),bla(OX65)|

|T8|24.9|191.7|48.6|sul(1),mcr-1|

|T9|33.4|226.5|61.2|tet(A),erm(B)|

|T10|27.2|197.9|45.5|sul(2),mcr-1|

|C1|41.5|268.3|72.4|mcr-1,bla(OX65)|

|C2|35.8|231.4|58.9|tet(A),sul(1)|

|C3|29.3|205.2|50.1|erm(B),tet(G)|

|C4|32.1|242.7|64.3|mcr-1,bla(OX19)|

|C5|28.4|196.5|46.7|tet(A),sul(2)|

|C6|39.6|275.9|78.5|mcr-1,erm(B)|

|C7|34.3|218.6|56.2|tet(G),bla(OX65)|

|C8|30.7|204.3|49.8|sul(1),mcr-1|

|C9|36.2|259.1|70.3|tet(A),erm(B)|

|C10|29.5|200.8|47.1|sul(2),mcr-1|

|A1|42.1|280.4|83.6|mcr-1,bla(OX65)|

|A2|37.9|263.2|75.4|tet(A),sul(1)|

|A3|33.6|245.7|68.9|erm(B),tet(G)|

|A4|28.8|194.2|52.5|mcr-1,sul(2)|

|A5|40.3|272.5|76.1|tet(A),erm(B)|

|A6|35.9|256.3|72.7|mcr-1,bla(OX19)|

|A7|32.2|223.4|59.5|tet(G),sul(1)|

|A8|30.5|201.6|48.3|sul(2),mcr-1|

|A9|37.5|288.7|85.2|mcr-1