同一细胞内同时测量两项毒力特征
论文的起点是测量问题。入侵指细菌进入并在宿主细胞内持续存在，基因毒性指细菌毒素损伤宿主DNA，这两者通常分开检测，并以群体平均值报告。例如抗生素保护试验会裂解宿主细胞，再用菌落形成单位计数胞内细菌，因而掩盖了细胞间的差异。MALVINA则保持共培养体系完整，对宿主细胞核、DNA损伤焦点和细菌信号染色，并用深度学习分类器只保留真实、无伪影的感染细胞，再对每孔数千个细胞进行定量。
输出结果是每个菌株的“毒力评分卡”，各项指标分开报告。入侵宽度是感染细胞所占比例，即细菌在细胞层中扩散的范围；入侵深度是每个感染细胞内的细菌载量。基因毒性被拆分为感染细胞内的直接损伤，以及也出现在未感染邻近细胞中的群体水平损伤。区分这些指标很重要：一个菌株可能扩散很广但胞内载量很低，一种药物也可能改变其中一项指标而另一项不受影响。
菌株特征在宽度与深度上分化
在用于人结直肠上皮细胞的大肠杆菌分离株中，研究发现在入侵宽度和入侵深度两方面都存在明显的菌株特异性差异。有些分离株只在其中一个维度上得分高，作者将此解读为入侵策略在机制上不同，而不是单一的毒力梯度。产基因毒性的ATCC和CCR20，以及高入侵性的LF82，作为参照点反复出现在实验中，通常不入侵的实验室菌株BW也一并使用。
这是关于该组分离株的描述性结果，并不是临床风险排序。它的价值在于两项入侵指标分开报告，因此扩散广泛的菌株不会被自动等同于在较少细胞内大量积累的菌株。
共感染通过竞争与合作重塑入侵
混合菌株后，入侵的变化是任一菌株单独存在时都没有出现的。非入侵性的BW在与高入侵性菌株LF82和CCR20共感染时入侵宽度增加，其中与LF82共感染最明显，LF82还提高了BW的入侵深度——作者将这一模式描述为合作性入侵或旁观者摄取。另一些组合则相反：与ATCC或CCR20共感染降低了BW的入侵深度，ATCC与BW共感染则出现相互拮抗，两个菌株的深度都下降，这与争夺胞内生态位相符。
产基因毒性的ATCC分离株在与LF82和CCR20共感染时表现不对称：它自身扩散略有增加，同时抑制了两个高入侵性伙伴的入侵。作者指出，ATCC独有若干毒力和宿主调控相关决定因子，包括自转运毒素Sat和Pic、溶血素相关位点、免疫调节因子TcpC，以及一个失活的rpoS等位基因，但他们明确表示确切机制仍待确定。相互作用模式是实测的，遗传解释则是假设。
大肠杆菌素连接竞争者抑制与DNA损伤
基因毒性是相对于每个标记菌株自身的单菌株基线来量化的。ATCC单独存在时表现出中等程度的群体水平和直接基因毒性，与自身混合后显著升高，升幅大于CCR20，作者将其归因于依赖密度的colibactin产生。更引人注意的是，与非基因毒性菌株LF82或BW共感染，提高了产colibactin菌株（尤其是ATCC）的直接和群体水平基因毒性——非基因毒性伙伴增强了colibactin相关的DNA损伤。
一项直接检验支持colibactin是这一联系的纽带。与野生型ATCC共感染的荧光LF82受到的抑制，强于与缺失colibactin生物合成末端步骤的同源突变株共感染的LF82；该突变株抑制LF82入侵的效果明显更弱。这把完整的colibactin同时与宿主细胞基因毒性和胞内优势联系起来，也支持作者关于colibactin介导胞内排斥的解释。所提出的下游途径——突变负荷增加或噬菌体激活——只是作为一种可能性提出，并未在本研究中得到证实。
药物筛选区分杀菌与毒力调节
研究团队在感染CCR20或LF82的细胞上筛选了23种化合物——抗生素、杀生物剂、抗菌肽和化疗药——浓度约为最低抑菌浓度的1倍和2倍。关键在于，胞外细菌数通过菌落形成单位试验平行测定，因此入侵或基因毒性的下降可以与单纯的杀菌效果对照，而不是直接假定为毒力调节。
这一对照改变了对若干结果的解读。在CCR20共培养中，gepotidacin、顺铂和5-氟尿嘧啶产生的基因毒性位移接近零，与测试剂量下的强杀菌活性相符：DNA损伤减少主要反映细菌被清除、胞外毒素水平下降，而不是直接抑制病原体介导的基因毒性。相反，omadacycline、多西环素和tridecaptin在增加CCR20入侵深度的同时显著降低了直接基因毒性，且该效应特异于产基因毒性菌株——指向干扰colibactin的产生或活性，而非杀菌。
细菌可放大药物对宿主细胞的毒性
论文还报告了相反方向：感染改变了宿主对药物的反应。基因毒性位移指标捕捉这一点：对每种药物–菌株组合，拟合感染细胞内细菌信号与DNA损伤信号之间的双对数关系，再测量斜率角相对于未处理条件移动了多少。不产生位移的药物不改变依赖细菌载量的基因毒性；产生位移的药物则改变这一关系。
作者将依赖胞内细菌载量的位移（如多粘菌素B所见）解释为细菌改变了药物毒性或宿主细胞敏感性。这与靶向毒力是不同的主张：这里是细菌改变了药物对宿主的作用，而不是药物改变了细菌的行为。两者都从同一套单细胞测量中读出，正因如此才能把两个方向区分开。
该流程的适用边界
MALVINA需要对细菌进行荧光标记，这并非对所有菌株或临床分离株都可行；它还依赖庆大霉素清除胞外细菌，因此限制了在庆大霉素耐药菌株上的使用。它提供的是静态快照而非实时追踪，且由于不同宿主细胞系的形态和染色存在差异，分类器必须重新训练。该平台针对贴壁人细胞系优化，因此不能重现组织复杂性或免疫相互作用；作者提出类器官作为未来的扩展方向。
这些限制界定了上述所有结果的解释范围：这些发现描述的是大肠杆菌分离株在受控共培养体系中与结直肠上皮单层的相互作用，药物效应在最低抑菌浓度附近的两个剂量下测量。它们既不能确定组织内多微生物感染中会发生什么，也没有找出colibactin抑制竞争者的分子途径。
杀菌对照为何改变结果解读
这篇论文中最具决策意义的区分，是化合物因清除细菌而降低基因毒性，与在细菌仍存在甚至入侵更深时降低基因毒性之间的差别。只有第二组——omadacycline、多西环素和tridecaptin作用于CCR20——支持作者关于杀菌之外还存在靶向毒力活性的主张。若把所有基因毒性下降归为一类，恰恰会抹去这套流程本要检测的差异。
对于评估毒力导向药物分析的读者，实际优先级正来自这一区分：把任何入侵或基因毒性读数与独立的胞外细菌活力测量配对，并检查效应是否具有菌株特异性。论文自身的例子是，同一套筛选设计得出细菌清除、毒力抑制和依赖细菌的药物毒性这三种独立结果——只有单细胞、多参数的测量才能把它们区分开。
本文引用的文献
Deep-learning single-cell profiling uncovers interbacterial and drug-driven reshaping of pathogen virulence
MALVINA以单细胞分辨率同时量化细菌入侵和宿主DNA损伤，揭示菌株特异的毒力特征、colibactin依赖的竞争者入侵抑制与基因毒性增强，以及要么反映杀菌、要么特异性降低基因毒性的药物效应。