机器学习和特征提取用于从全基因组测序数据中快速预测Acinetobacter baumannii的抗微生物耐药性

科学领域:

• 微生物学 微生物学
• 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:

• 全基因组测序 (WGS) 推进了机器学习 (ML) 进行抗菌素耐药性 (AMR) 预测.
• 需要对ML方法进行比较,以便在没有先前耐药性知识的情况下进行AMR预测.

研究的目的:

• 预测13种针对Acinetobacter baumannii的抗微生物药物的最小抑制度 (MIC).
• 使用ML算法 (随机森林,支持向量机,XGBoost) 与来自WGS数据的k-mer特征.

主要方法:

• 在339个Acinetobacter baumannii分离物上训练了ML模型.
• 雇员特征选择以确定排名最高的11mers,优化培训时间和资源.
• 在120个分离的独立数据集上验证了模型.

主要成果:

• 对于大多数抗微生物药物,达成了高度的基本协议 (>90.90%) 和类别协议 (>95.29%).
• 报告的非常严重的错误率在0.0%至5.71%之间.
• 在10分钟内获得预测结果,并在独立测试组中实现了0.96的平均准确性.

结论:

• 与传统方法相比,基于ML的AMR预测使用k-mer特征的演示性竞争性性能.
• 突出了k-mer工作流的高灵敏度和特异性,用于在临床环境中可靠的MIC预测.
• 倡导推广基于序列的AMR预测及其临床应用.