针对大肠杆菌尿路感染的预测性菌体疗法:基于机器学习模型的尾酒选择疗法
Marianne Keith1, Alba Park de la Torriente1, Antonia Chalka1
1The Roslin Institute, Division of Bacteriology, University of Edinburgh, Edinburgh EH25 9RG, United Kingdom.
概括
这项研究引入了使用机器学习 (ML) 选择菌体尾酒治疗细菌感染的预测性菌体 (菌体) 疗法. 通过分析基因组数据和菌体相互作用,ML模型预测了对大肠杆菌的有效菌体治疗方法.
科学领域:
- 微生物学 微生物学
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 多药耐药 (MDR) 感染构成了全球健康威胁,推动了对抗生素替代品的研究,如菌体疗法.
- *大肠杆菌 (E. coli) 感染,包括尿路感染,可能导致严重的MDR血流感染.
- 大肠杆菌的基因组变异性使菌体治疗复杂化,因为菌体的敏感性不同.
研究的目的:
- 开发使用机器学习 (ML) 的预测性菌体 (菌体) 疗法,以选择有效的菌体尾酒.
- 将ML模型应用于大肠杆菌感染,这是MDR感染的常见来源.
- 证明将细菌基因组学与菌体活动数据集成为快速菌体治疗选择的潜力.
主要方法:
- 训练有素的ML模型对成千上万的菌体组和测序细菌分离物之间的相互作用进行测量.
- 利用基于细菌基因组特征构建的随机森林模型来预测菌体活动.
- 在314个大肠杆菌*分离物上测量了31个菌体的活性,使用人工尿中的生长曲线.
主要成果:
- 针对超过20%的细菌群体活跃的通用性菌体,F1得分大于0.6.6.
- ML模型成功预测了对以前未经测试的大肠杆菌菌株有效的菌体尾酒.
- 证明了使用基因组数据和ML用于预测性菌体治疗的可行性.
结论:
- 结合细菌基因组学和菌体活动数据的预测性ML模型显示了菌体治疗的巨大潜力.
- 这种方法可以为治疗细菌感染,包括由MDR病原体引起的细菌感染,提供快速有效的菌体尾酒选择信息.
- 这项研究支持基于个体细菌隔离基因组学的个性化菌体治疗策略的开发.


