预测沙门氏菌MIC和解读抗生素耐药性和敏感性的基因组决定因素
Moses B Ayoola1, Athish Ram Das1, B Santhana Krishnan1
1Department of Comparative Biomedical Sciences, College of Veterinary Medicine, Mississippi State University, Starkville, MS 39762, USA.
Microorganisms
|January 23, 2024
概括
这项研究引入了使用机器学习和深度学习来预测沙门氏菌抗菌素耐药性的新管道. 该方法准确地识别了影响最小抑制度 (MIC) 值的基因组特征.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 沙门氏菌 spp. 沙门氏菌 是一种主要的食物传播疾病的原因,抗菌素耐药性 (AMR) 构成了全球重大威胁.
- 准确的最小抑制度 (MIC) 评估对于理解和打击AMR至关重要.
- 目前用于MIC预测的全基因组测序 (WGS) 方法面临着计算和特征识别方面的挑战.
研究的目的:
- 开发一种基于WGS的创新方法来预测沙门氏菌MIC值.
- 整合传统和深度学习模型,以增强抗菌素耐药性特征.
- 确定影响沙门氏菌抗生素耐药性的特定基因组特征.
主要方法:
- 开发了"基因组特征提取管道",将随机森林 (RF) 和深度学习 (MLP,DeepLift) 结合起来.
- 利用了来自国家抗菌素耐药性监测系统 (NARMS) 和MIC元数据的4500个沙门氏菌基因组的数据集.
- 采用RF用于特征重要性,Gini指数用于选择10-mers,扩展到20-mers,以及MLP用于MIC预测,使用DeepLift用于特征识别.
主要成果:
- 该管道成功预测了沙门氏菌中15种抗生素的MIC值.
- 确定了10个最重要的20-mers影响每种抗生素的MIC.
- 该方法在识别影响沙门氏菌MIC预测的基因组特征方面表现出更高的精度.
- 用k-mer计数取代二进制指标,以便进行更细致的分析.
结论:
- 拟议的管道为预测沙门氏菌MIC值提供了基于WGS的强大和高效的方法.
- 这种集成的机器学习和深度学习战略克服了当前WGS方法的局限性.
- 该方法有可能应用于其他细菌病原体,用于AMR监测和预测.
