在E.E.中预测抗微生物耐药性. coli具有歧视性位置的融合深度学习分类器
Canghong Jin1, Chenghao Jia2, Wenkang Hu1,3
1School of Computer and Computing Science, Hangzhou City University, Hangzhou 310015, China.
Computational and structural biotechnology journal
|January 26, 2024
概括
机器学习通过关注关键遗传标记来准确预测大肠杆菌 (大肠杆菌) 的抗菌素耐药性 (AMR). 这种方法提高了预测准确度,并有助于对大肠杆菌感染的快速临床决策.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 传染性疾病 传染性疾病
背景情况:
- 大肠杆菌 (大肠杆菌) 中的抗菌素耐药性 (AMR) 是一个日益增长的全球健康威胁.
- 机器学习 (ML) 为预测大肠杆菌AMR的传统方法提供了一个有希望的替代方案.
- 改善现有ML模型对大肠杆菌AMR的预测准确性仍然是一个重大挑战.
研究的目的:
- 提高ML模型对大肠杆菌AMR的预测性能.
- 调查注意力机制对ML模型准确度对AMR预测的影响.
- 为了比较各种ML模型的性能,包括随机森林,支持向量机,物流回归和卷积神经网络.
主要方法:
- 收集和分析了1937年已知AMR表型的大肠杆菌的全基因组测序 (WGS) 数据集.
- 修改了现有的ML工作流程,通过整合注意力机制来关注关键单核酸多态 (SNP).
- 使用混沌游戏表示 (CGR) 图像与歧视性定位颜色来突出显示相关的基因组区域.
主要成果:
- 添加注意力机制显著提高了对大肠杆菌AMR的ML模型的预测准确度.
- 混沌游戏表示 (CGR) 图像有效地突出了与AMR相关的关键基因组区域.
- 与之前发布的模型相比,开发的ML模型表现出更高的性能.
结论:
- 增强的ML工作流与注意力机制和CGR图像分析提供了一个更准确的方法来预测大肠杆菌AMR.
- 开发了一个在线工具,以帮助临床医生快速预测AMR表型,促进更快的临床决策.
- 这项研究有助于通过提高对大肠杆菌感染的诊断能力来打击AMR.
