机器学习在预测大肠杆菌抗菌素耐药性的普遍性:非洲多个国家的案例研究

科学领域:

• 基因组学就是基因组学.
• 传染性疾病 传染性疾病
• 计算生物学 计算生物学

背景情况:

• 抗菌素耐药性 (AMR) 是一个关键的全球卫生问题,不成比例地影响着资源有限的低收入和中等收入国家.
• 这些地区迫切需要有效的抗菌素耐药性监测和管理策略.
• 机器学习 (ML) 提供了一种有希望的,但尚未充分利用的方法,以提高抗菌耐药性的预测和监测.

研究的目的:

• 开发和验证用于预测大肠杆菌中AMR的机器学习模型.
• 评估在高收入国家的数据上训练的ML模型的有效性,当它们应用于LMIC数据集时.
• 确定与大肠杆菌中AMR相关的关键遗传决定因素.

主要方法:

• 利用来自英国的全基因组测序数据来训练ML模型.
• 针对性地预测大肠杆菌对西普罗夫洛克萨,安皮西林和塞福塔西姆的耐药性.
• 使用来自乌干达,尼日利亚和坦桑尼亚的独立基因组数据集验证模型性能.

主要成果:

• 模型性能因抗生素而异,支持矢量机 (ciprofloxacin),光梯度增强机 (cefotaxime) 和梯度增强 (ampicillin) 在初始训练中显示出显著的准确性.
• 在非洲数据集中的验证证明了对物流回归 (安皮西林),随机森林 (西普罗夫洛克萨) 和光梯度增强机器 (塞福塔克西姆) 的高准确性.
• 确定了与抗微生物药物耐药性相关的特定遗传突变.

结论:

• 在基因组数据上训练的ML模型可以有效地预测大肠杆菌中的AMR,即使应用于LMICs的数据集.
• 这种方法提供了一个强大的框架,可以在全球范围内加强AMR监测计划.
• 这项研究扩大了对抗药性耐药性的基因基础的理解,并为未来的研究提供了方法指南.