使用全基因组测序和机器学习预测Listeria monocytogenes的毒性潜力
Alexander Gmeiner1, Patrick Murigu Kamau Njage1, Lisbeth Truelstrup Hansen2
1National Food Institute, Technical University of Denmark, Research Group for Genomic Epidemiology, Kgs. Lyngby, Denmark.
International journal of food microbiology
|November 24, 2023
概括
全基因组测序 (WGS) 与机器学习 (ML) 结合,可以预测Listeria monocytogenes在亚种水平上的毒性潜力. 这种方法可以通过更精确的微生物危害表征和风险管理来提高食品安全.
科学领域:
- 微生物学 微生物学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 通过食物传播的病原体,如Listeria monocytogenes,对食品安全构成重大风险.
- 目前的监测侧重于检测,缺乏菌株特定的毒性特征.
- 全基因组测序 (WGS) 提供了高分辨率的微生物特征分析,包括毒性.
研究的目的:
- 探索WGS和机器学习 (ML) 的使用,以预测Listeria monocytogenes在亚种水平上的毒性潜力.
- 为了比较不同基因组特征和ML算法的预测性能.
- 评估使用原始读取对齐与新组装对抗WGS数据分析的可行性.
主要方法:
- 利用来自国家监测和公共数据库的WGS数据集进行ML模型培训.
- 使用的临床频率 (临床隔离物/总隔离物) 作为毒性潜力的代理.
- 使用病毒性基因,泛基因组基因和SNP作为六个算法的输入特征的ML模型进行比较.
主要成果:
- 从国家监测数据中训练使用泛基因组基因的多数投票分类器获得高达0.88的F1分数.
- 经过验证的模型显示,在独立隔离物上,F1得分高达0.76.
- 原始读取对齐提供了与 de novo 组装相似的准确性,并降低了计算成本.
结论:
- 在泛基因组基因上训练的多数投票分类器是预测Listeria monocytogenes临床频率的强大选择.
- 通过WGS和ML,可以快速准确地描述Listeria monocytogenes的毒性变异.
- 这种方法支持食品行业的微生物危害表征和风险管理.


