一种机器学习方法,用于识别 Salmonella 应激反应基因,用于从家禽加工中分离出来的禽类
Edmund O Benefo1, Shraddha Karanth1, Abani K Pradhan2
1Department of Nutrition and Food Science, University of Maryland, College Park, MD 20742, USA.
Food research international (Ottawa, Ont.)
|December 21, 2023
概括
机器学习确定了关键的沙门氏菌基因,这些基因与家禽加工压力有关. 逻辑提升模型准确地预测了压力反应,突出了冷/热冲击和运输的基因.
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:
- 禽类加工中的沙门氏菌污染对食品安全构成重大风险.
- 了解沙门氏菌应激反应机制对于制定有效的控制策略至关重要.
- 全基因组测序 (WGS) 为细菌病原体的遗传分析提供了一个强大的工具.
研究的目的:
- 将机器学习算法应用于沙门氏菌WGS数据,以识别与家禽加工过程中应激反应相关的重要基因.
- 评估各种机器学习模型在预测沙门氏菌压力相关基因方面的表现.
- 确定涉及沙门氏菌适应家禽加工环境的特定基因.
主要方法:
- 利用了来自177个沙门氏菌分离物的全基因组测序 (WGS) 数据,这些分离物来自家禽加工的各个阶段.
- 训练了六个机器学习算法:随机森林,神经网络,成本敏感学习,logit提升和支持矢量机器 (线性和辐射内核).
- 评估模型性能使用接收器操作特征 (AUROC) 曲线下的面积,灵敏度和特异性.
主要成果:
- 所有机器学习模型都表现出高性能,logit提升实现了最佳的AUROC分数0.904.
- 确定了重要的基因,包括ybtX (载体),yccK和thiS (转移酶编码),以及冷/热冲击基因 (cspA,cspD,cspE,rpoH,rpoE).
- 其他已识别的基因涉及到脂聚糖生物合成,DNA修复,生物膜形成和细胞代谢.
结论:
- 机器学习有效地识别了在家禽加工中对沙门氏菌应激反应至关重要的基因.
- 鉴定的基因为减轻家禽中的沙门氏菌污染提供了潜在的目标.
- 这项研究证明了WGS与机器学习结合用于病原体监测和控制的实用性.
更多相关视频
08:24Loop-Mediated Isothermal Amplification for Screening Salmonella in Animal Food and Confirming Salmonella from Culture Isolation
Published on: May 20, 2020
8.2K
08:19Modified Most Probable Number Assay to Quantify Salmonella in Raw and Ready-to-Cook Chicken Products
Published on: January 31, 2025
370
