摘要
多数细菌生活在碎片化的微尺度环境中，而抗生素效力通常在充分混合的体系中定义。本研究表明，仅微尺度空间碎片化本身，就能以确定性的方式促进抗生素暴露下的细菌存活。粗粒化理论模型预测，在总体细胞密度和抗生素浓度固定时，碎片化通过两种耦联机制形成庇护环境：生长减慢降低对生长依赖型抗生素的敏感性；每个细胞可获得的抗生素分子数量有限，使有效细胞内抗生素浓度降低。研究人员利用体积跨度达五个数量级的微液滴平台，针对β-内酰胺类抗生素验证这些预测，并进一步发现，碎片化介导的保护也适用于作用方式不同的抗生素。因此，空间碎片化可形成稳定的、非遗传性的抗生素庇护环境，其形成受物理约束支配，而非依赖耐药性或群体保护。这些结果有助于理解自然与临床环境中的细菌持续存在，并对抗生素设计具有启示。
关键词：空间碎片化；微液滴；抗生素敏感性；细胞密度；非遗传性存活。
- Benbenisti, D., Orevi, T., Hamrick, G. S., You, L., & Kashtan, N. (2026). Microscale spatial fragmentation promotes bacterial survival under antibiotics. Nature Communications. https://doi.org/10.1038/s41467-026-78690-8
- 期刊：Nature Communications（2025年 IF=18.1；2026版JCR）
- 在线发表时间：2026年10月15日；提供版本为Article in Press。
研究总结
背景介绍
土壤孔隙、叶面水膜及表面残留液体均具有微尺度空间结构。即使总体细胞密度和药物浓度一致，不同小区室内的细胞数、局部密度与生长状态也可能不同。传统最低抑菌浓度（minimum inhibitory concentration，MIC）测量较少体现这种异质性。本文以实验室大肠杆菌MG1655为模型，检验空间限制能否在没有遗传耐药变化的情况下，形成可重复的药物响应差异。
重要结果
理论模型将生长状态与每细胞药物负荷联系起来
模型把种群变化表示为生长和抗生素介导死亡的平衡。较小区室中的生长减慢，可降低生长依赖型药物的杀伤；与此同时，高单位体积细胞密度使每细胞可利用的药物分子减少。模型因此预测，有效MIC随液滴体积减小而上升。这里的“确定性”指群体平均趋势可预测，并不排除单细胞和单液滴层面的随机差异。
图1｜理论预测抗生素暴露下的存活具有液滴大小依赖性。a，不同体积液滴中的细菌示意图；较小液滴的生长率较低，与此前研究一致，因而对生长依赖型抗生素较不敏感。b，在总体抗生素浓度固定时，每个细胞可获得的药物分子数与单位体积细胞密度成反比，小液滴中的靶位点占有率较低。c，模型预测的净生长率μ−δ随液滴体积变化；中等药物浓度约等于总体MIC时，橙线所示的小液滴仍可净生长，而大液滴转向净杀伤；高于总体MIC的高浓度下，绿线所示的小液滴净生长率也为负，且随液滴增大进一步降低。d，液滴体积减小时，有效MIC上升的预测。
单液滴成像将总体平均响应分解为空间异质性
μ-SPLASH平台在同一芯片上形成大量不同体积的区室，利用时间序列荧光成像追踪细胞变化。研究中的“生物量”主要是分割得到的完整细胞覆盖面积，而不是直接的活菌落数。作者同时观察细胞形态、裂解及持续分裂，以辅助解释图像指标；因此不能把所有面积变化直接等同于存活细胞数变化。
图2｜碎片化微尺度生境中的细菌响应定量。a，荧光标记细胞经喷笔分布到玻璃底微孔板上的8个中空黏性间隔框中，每个框构成独立芯片；覆盖玻璃维持湿度及液滴稳定，载物台环境设置为28℃，通过荧光显微镜连续成像。b，左图为μ-SPLASH芯片局部，液滴体积覆盖1皮升至100纳升，绿色为细菌；右图为总体MIC氨苄青霉素处理下，小液滴——10³—10⁴微米³，n＝41——与大液滴——大于10⁶微米³，n＝11——中的74小时成像序列。中间曲线为对应组的平均标准化生物量，阴影为均值标准误。原图喷笔图标由DesignContest提供，来源https://icon-icons.com/icon/airbrush/29770 ，采用CC BY 4.0许可：https://creativecommons.org/licenses/by/4.0/ ，仅调整尺寸；显微镜插图来自NIAID NIH BioArt Source：https://bioart.niaid.nih.gov/bioart/503 。
氨苄青霉素处理下，小液滴与大液滴出现不同轨迹
无药物时，小液滴的生长产量较低；加入氨苄青霉素后，大液滴常先出现细胞延长造成的面积增加，随后发生裂解和生物量下降，小液滴则维持较低但持续的积累。延长观察可见部分小液滴恢复分裂，支持差异不只是短暂形态变化。药物效应随剂量改变，但总体仍呈液滴大小相关趋势。
图3｜小液滴促进氨苄青霉素暴露下的细菌存活。a，无抗生素时各体积组平均标准化生物量，n＝1697个液滴。b，有效MIC氨苄青霉素10微克/毫升条件下，小液滴蓝线维持增长，大液滴红线出现生物量损失；大液滴的短暂升高后急降与β-内酰胺引起的延长后裂解一致，n＝2237。a、b实线为均值，阴影为均值标准误SEM。c、d，无药物和氨苄青霉素条件下，末期与初期生物量比值的log₂随液滴体积变化；氨苄青霉素条件下超过临界体积Vc——竖线——后显著下降。e，不同浓度下log₂生物量倍数变化的移动均值±标准差；蓝线为无药物对照，橙、绿、红线分别为低于、等于及高于有效MIC的3.3、10、30微克/毫升，n＝9259。抑制随浓度和体积增加而增强，与图1预测一致。f，与b相同，但观察延长至74小时。
生长速率与药物结合信号支持两类耦联机制
无药物条件下的早期生长率在小液滴中较低，提供生理状态方面的证据。荧光标记β-内酰胺的细胞相关信号在小液滴中也较低，支持有效药物负荷差异。两组结果与理论一致，但荧光结合指标仍是药物暴露的代理测量，不等于对所有药物、所有细胞位置的游离浓度直接测定。
图4｜液滴大小依赖性保护的机制基础。a，无药物时前4小时单液滴生物量变化估计的平均生长率，n＝1697；相邻体积组采用双侧置换检验，均值差统计量、1000次重采样，并进行Benjamini–Hochberg假发现率校正。b，Bocillin FL荧光β-内酰胺结合测定，较小液滴的细胞相关药物信号较低；每个灰点为一个液滴的平均强度，n＝349。小、中等液滴信号接近，超过Vc的大液滴信号显著上升。相邻体积组采用双侧非配对t检验与Bonferroni校正，精确校正P值见原文Source Data。a、b括号上标示比较：NS表示不显著，二星号P＜0.01，四星号P＜0.0001。箱线图中心为中位数，箱体为第一至第三四分位数，须为1.5倍四分位距，点代表单个液滴。
不同作用类型的抗生素表现出相似空间趋势
庆大霉素作用于翻译系统，多黏菌素B主要影响细胞膜；两者也呈现小液滴相对受保护的趋势。对于并非主要依赖生长状态的多黏菌素B，这提示细胞密度和药物分配本身具有解释价值。作者也指出，多黏菌素B的界面富集可能额外影响结果，不能把三类药物的全部差异归结为同一生长机制。
图5｜大肠杆菌对庆大霉素及多黏菌素B的响应也具有液滴大小依赖性。a、b，分别在两种药物有效MIC下的平均标准化生物量；庆大霉素条件下，小型及中型液滴——包括10⁵—10⁶微米³组——继续积累，明显生长停滞主要见于大于10⁶微米³的液滴；多黏菌素B条件下，小液滴继续增长，大液滴逐渐下降。a、b分别含1500和1455个液滴，阴影为SEM。c、d，两药物条件下末期与初期生物量比值的log₂随体积变化，超过Vc后下降。e、f，剂量响应曲线，为移动均值±标准差；庆大霉素浓度为2、6、18微克/毫升，多黏菌素B为15、45、135微克/毫升。蓝线为无药物对照，橙、绿、红线依次表示低于、等于及高于有效MIC；e、f分别含7794和6145个液滴。抑制总体随浓度和液滴体积增加而增强。
抗生素改变了细菌在不同大小区室中的相对分布
没有抗生素时，总体种群贡献略向大液滴移动；药物暴露后，这一方向反转，小液滴中的细胞对总体种群贡献上升。这是空间上不同亚群的差异响应，不能理解为细胞主动迁入小液滴。结果说明，宏观药效可能受生境区室大小分布影响，而不只取决于药物总浓度。
图6｜抗生素使细菌集合种群在不同液滴体积间重新分布。显示实验起点0小时——灰色——和24小时——黑色——各液滴体积组对总种群的贡献。a，无抗生素时轻微向大液滴偏移；b，氨苄青霉素；c，庆大霉素；d，多黏菌素B。三类药物均使小液滴的相对贡献增加、大液滴下降。a—d分别包含3495、4302、5326和3552个液滴。
方法学参考
可借鉴的核心是把理论预测、单区室时间序列及独立的机制代理指标结合起来：先建立空间大小与净种群变化的假说，再比较无药物与药物暴露轨迹，最后用生长率和荧光结合读数检验解释。分析时需区分图像生物量、细胞分裂、裂解与活菌计数，并以液滴为单位处理组内变异及多重比较。
总结
研究在受控、相对稳定的微液滴环境中表明，空间结构可以改变抗生素响应，而无需诉诸遗传耐药变化。实际表面还会发生蒸发、融合和干湿交替，因此本文揭示的是基础物理机制，不能直接据此推定临床治疗剂量或自然环境中的保护幅度。
参考文献
Benbenisti, D., Orevi, T., Hamrick, G. S., You, L., & Kashtan, N. (2026). Microscale spatial fragmentation promotes bacterial survival under antibiotics. Nature Communications. https://doi.org/10.1038/s41467-026-78690-8
研究数据：https://doi.org/10.6084/m9.figshare.31760281
分析代码：https://github.com/danben12/data_analysis_scripts
