JoVE - Journal of Visualized Experiments
JoVE Visualize
Contact Us
このページは機械翻訳されています。他のページは英語で表示される場合があります。 View in English

Pseudomonas aeruginosaの抗菌剤耐性を予測するための説明可能な機械学習パイプライン

  • 0Department of Biophysics, University of Delhi, New Delhi, Delhi, 110021, India.
Bioinformatics Advances +

|

2025年8月28日

|

2025年8月28日

PubMedで要約を見る

まとめ

この要約は機械生成です。

機械学習は,遺伝子データを用いて Pseudomonas aeruginosa の抗菌剤耐性を正確に予測します. 説明可能なAIは,抗生物質特有の遺伝子マーカーを明らかにし,モデルの再現性を高め,耐性検出に役立ちます.

科学分野

  • ゲノミクス
  • コンピュータ生物学
  • 機械学習

背景

  • Pseudomonas aeruginosaの抗菌剤耐性 (AMR) は,世界的な健康上の重大な脅威となっている.
  • 抗菌剤耐性菌の伝統的な検査は 時間と資源を要するものです
  • ゲノム解析は抗菌剤耐性を予測するための高通量代替手段です

研究 の 目的

  • ゲノム配列を用いてP. aeruginosaのAMRを予測するための機械学習パイプラインの開発と検証
  • AMRの予測のための機械学習モデルの解釈性を向上させる.
  • 特定の耐性フェノタイプに関連したゲノム特性を特定する.

主な方法

  • 2階層の機械学習パイプラインは,ゲノム配列からのk-mersを入力として開発されました.
  • 抵抗性フェノタイプの予測のために決定樹モデルが採用されました.
  • モデル解釈のために説明可能なAI (XAI) テクニックが使用されました.

主要な成果

  • 決定樹モデルは79%の精度,0. 77のAUC,70%の特異性,そして84%の感度を達成した.
  • 説明可能なAIは,抗生物質に特異的なk-merシグネチャーを特定し,耐性に関連しています.
  • このモデルは,実験室での抗菌剤耐性検出の代替品としての可能性を明らかにした.

結論

  • 機械学習モデルは,特に解釈可能な場合,P. aeruginosaのAMRを予測するのに大きな希望を示しています.
  • XAIによって特定されたゲノムによるk-merシグネチャーは,耐性メカニズムに関する生物学的な洞察を提供します.
  • このアプローチはAMRの監視を早め,治療戦略を策定することができます.