説明可能な機械学習による「大腸菌」O157:H7感染症の臨床転帰予測

科学分野:

• 微生物学；ゲノミクス；計算生物学

背景:

• 志賀毒素産生性大腸菌（STEC）O157:H7は、重症の胃腸疾患および溶血性尿毒症症候群を引き起こす重要な人獣共通感染症病原体です。；STEC O157:H7感染症における疾患の重症度は、志賀毒素サブタイプだけでは完全に説明されておらず、他のゲノム因子が転帰に影響を与えることを示唆しています。

研究 の 目的:

• STEC O157:H7分離株の全ゲノムシーケンシングデータに説明可能な機械学習（ML）を適用すること。；患者の臨床転帰を予測し、重症疾患に関連するゲノム特徴を特定すること。；STEC O157:H7感染症のリスク評価を強化すること。

主な方法:

• 1,030のSTEC O157:H7分離株の全ゲノムシーケンシングデータを、ランダムフォレストおよびエクストリームグラディエントブースティング（XGBoost）MLモデルを使用して分析しました。；モデルの堅牢性と一般化可能性を確保するために、系統発生を考慮したクロスバリデーション戦略を採用しました。；臨床転帰の重要なゲノム予測因子を特定するために、特徴重要度分析を実施しました。

主要な成果:

• Extreme Gradient Boostingは、特に少数クラスおよび低リスク系統において、重症転帰の予測で優れたパフォーマンスを示しました。；ファージコード化要素、新しい遺伝子間レギュレーター、および確立された病原因子が重要な予測因子として特定されました。；small RNAおよびストレス応答経路に関連するゲノム領域は、重症疾患に関連する分離株で有意に濃縮されました。

結論:

• 説明可能なMLモデルは、複雑なゲノム署名を捉えることにより、重症STEC O157:H7感染症を効果的に予測できます。；これらのモデルは、リスク評価の洗練と高リスク分離株の早期検出を可能にするための貴重なツールを提供します。；この発見は、STEC O157:H7によって引き起こされる重症疾患の転帰を軽減するための標的を絞った公衆衛生介入を支持します。