使用基于细菌泛基因组的特征选择方法来改善最低抑制度 (MIC) 的预测

科学领域:

• 基因组学和生物信息学
• 计算生物学 计算生物学
• 传染病研究 传染病研究

背景情况:

• 准确预测抗菌素耐药性 (AMR) 对有效的传染病治疗至关重要.
• 目前的机器学习模型通常依赖于根据已知的AMR基因将病原体分类为耐药或易感.
• 现型耐药性来自最小抑制度 (MIC) 值,这些值可以由管理机构进行修订.

研究的目的:

• 开发一种机器学习方法,直接预测最小抑制度 (MIC) 值,避免依赖可能修订的阻力断点.
• 通过在整个泛基因组中应用特征选择来识别与*Salmonella enterica*抗微生物耐药性相关的新型基因.
• 为了评估选择的基因与已知的AMR基因对MIC预测准确性的性能.

主要方法:

• 应用机器学习功能选择到Salmonella enterica*泛基因组,将蛋白质序列聚合到基因家族中.
• 训练有素的预测模型使用所选特征 (基因) 来预测MIC值.
• 对选定基因进行功能分析,包括那些被注释为假设蛋白质的基因.

主要成果:

• 基于选定的泛基因组特征构建的机器学习模型实现了高度准确的MIC预测.
• 与之前识别的AMR基因相比,所选基因表现优越.
• 大约一半的被选择基因是假设的蛋白质,这表明有可能发现新的AMR基因.

结论:

• 一种基于全基因组的机器学习方法有效地以高准确度预测MIC值.
• 在整个基因组上的特征选择可以识别有助于抗菌素耐药性的新型基因.
• 这种方法有望揭示新的目标,以了解和打击细菌耐药性表型.