城市环境微生物群落与人类活动密切相关,是抗生素耐药基因(Antibiotic Resistance Gene,ARG)的主要载体。ARG的存在使得微生物能够承受更高的抗生素浓度,ARG还可能转移到致病菌并威胁全球公共卫生。故ARG的准确识别对于应对抗生素耐药性挑战就极为重要。然而,目前广泛使用的ARG识别方法大多是基于序列比对的方法,在识别非同源的ARG上存在不足。在本文中,我们基于深度学习理论,整合了卷积神经网络(CNN)和长短记忆神经网络(LSTM),提出了一种不依赖序列比对的方法。此方法不仅在测试集上有着出色的表现:准确率为0.9883,查全率为0.8565,AUC值为0.9664。相较常用的方法,我们在ARG的种类识别方面,提高了9.5%的分类精度,同时提高了16.4%的查全率,可以识别更多的非同源ARG。利用此方法,我们从Metagenomics and Metadesign of Subways and Urban Biomes(MetaSUB)联盟收集的3,741个宏基因组样本中,鉴定出457,777个ARG,并将其分为35个抗性类别。其中,超过80%的样品含有对于β-内酰胺、氨基糖苷类和杆菌肽具有耐药性的ARG。为了挖掘抗生素耐药性的区域特异性,我们分析了不同国家样本中的ARG比例,丰度以及多样性差异。结果表明,不同国家样本所包含的ARG比例具有显著的差异。新西兰、尼日利亚和美国的样品中ARG相对丰度以及抗性种类多样性都是最高,而瑞典的样品中ARG的相对丰度和多样性最低。多变量方差分析表明,不同国家抗生素抗性类别丰度具有显著的差异。同时,相关性因素分析的结果表明,ARG的丰度与抗生素消耗、人均国内生产总值以及其他一些社会医疗,教育等发展指标显著相关。此外,通过对于环境ARG与人类肠道菌群相关性的研究,我们发现人类肠道菌群与城市环境微生物群落的抗性类别丰度呈显著正相关,这进一步表明了城市环境菌群与人类健康的密切相关性。我们关于全球城市环境抗性的全面研究,能够为应对抗生素耐药性挑战提供有用的资源。