Predicción del resultado clínico de infecciones por *Escherichia coli* O157:H7 utilizando aprendizaje automático...

Área de la Ciencia:

• Microbiología
• Genómica
• Biología Computacional

Sus antecedentes:

• La Escherichia coli O157:H7 productora de toxina Shiga (STEC) es un patógeno zoonótico importante que causa enfermedades gastrointestinales graves y síndrome urémico hemolítico.
• La gravedad de la enfermedad en las infecciones por STEC O157:H7 no se explica completamente solo por los subtipos de toxina Shiga, lo que indica que otros factores genómicos influyen en los resultados.

Objetivo del estudio:

• Aplicar aprendizaje automático explicable (ML) a datos de secuenciación del genoma completo de aislados de STEC O157:H7.
• Predecir los resultados clínicos de los pacientes e identificar las características genómicas asociadas con enfermedades graves.
• Mejorar la evaluación de riesgos para las infecciones por STEC O157:H7.

Principales métodos:

• Se analizaron datos de secuenciación del genoma completo de 1.030 aislados de STEC O157:H7 utilizando modelos de ML de Random Forest y Extreme Gradient Boosting (XGBoost).
• Se empleó una estrategia de validación cruzada informada por la filogenia para garantizar la robustez y generalización del modelo.
• Se realizaron análisis de importancia de características para identificar predictores genómicos clave de los resultados clínicos.

Principales resultados:

• Extreme Gradient Boosting demostró un rendimiento superior en la predicción de resultados graves, particularmente para clases minoritarias y linajes de bajo riesgo.
• Los elementos codificados por fagos, los nuevos reguladores intergénicos y los factores de virulencia establecidos se identificaron como predictores importantes.
• Las regiones genómicas asociadas con ARN pequeños y vías de respuesta al estrés se enriquecieron significativamente en los aislados vinculados a enfermedades graves.

Conclusiones:

• Los modelos de ML explicables pueden predecir eficazmente infecciones graves por STEC O157:H7 al capturar firmas genómicas complejas.
• Estos modelos ofrecen una herramienta valiosa para refinar las evaluaciones de riesgos y permitir la detección temprana de aislados de alto riesgo.
• Los hallazgos respaldan las intervenciones de salud pública específicas para mitigar los resultados graves de las enfermedades causadas por STEC O157:H7.