通过可解释的基因组空间地图预测S. aureus的抗菌耐药性
Karina Pikalyova1, Alexey Orlov1, Dragos Horvath1
1Laboratoire de Chémoinformatique, UMR 7140, Université de Strasbourg, 1 rue Blaise Pascal, Strasbourg, 67000, France.
Molecular informatics
|February 22, 2024
概括
抗菌素耐药性 (AMR) 需要快速选择治疗方法. 使用生成拓绘图 (GTM) 的新机器学习方法可视化基因组数据,以准确预测AMR和识别抗药性决定因素.
科学领域:
- 基因组学就是基因组学.
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 抗菌素耐药性 (AMR) 是一个关键的全球健康挑战,需要更快的方法来选择有效的抗生素治疗.
- 基因组数据与机器学习 (ML) 结合,有可能快速预测细菌耐药性表型,但许多ML模型缺乏可解释性.
研究的目的:
- 引入一种用于可视化基因组序列空间和使用生成拓映射 (GTM) 预测AMR的新方法.
- 提高ML模型对AMR预测的可解释性.
主要方法:
- 应用生成拓绘图 (GTM) 是一种非线性维度缩小技术,用于分析5000多个黄金葡萄球菌分离物的基因组数据.
- 开发了GTM模型来预测抗生素耐药性表型,并可视化与AMR相关的基因组空间.
主要成果:
- 在所有测试的抗生素中,GTM模型在预测耐药性方面取得了合理的准确性,均衡准确值至少为0.75.
- 生成的生成拓地图 (GTM) 有效地可视化了基因组空间,使抗生素耐药表型的抗生素智慧比较成为可能.
- 通过GTM方法,更容易分析导致耐药性的遗传因素.
结论:
- 基于GTM的方法为探索基因组序列空间和预测AMR提供了有价值的工具.
- 这种方法提高了ML模型的可解释性,有助于选择最佳的抗生素治疗和理解耐药性机制.
