在Mycobacterium tuberculosis中使用基于结构的机器学习方法预测pyrazinamide耐药性
Joshua J Carter1, Timothy M Walker1, A Sarah Walker1,2,3
1Nuffield Department of Medicine, University of Oxford, John Radcliffe Hospital, Headley Way, Oxford OX3 9DU, UK.
JAC-antimicrobial resistance
|March 19, 2024
概括
机器学习模型通过分析pncA基因突变来预测结核病中的pyrazinamide耐药性. 这种方法提高了对pyrazinamide的抗生素敏感性测试准确度,帮助临床微生物学工作流程.
科学领域:
- 遗传学 遗传学 是一个
- 微生物学 微生物学
- 机器学习 机器学习
背景情况:
- 皮拉津胺是结核病的关键一线治疗方法.
- 对pyrazinamide的抗生素敏感性测试具有挑战性.
- 耐药性主要是由于pncA基因的突变.
研究的目的:
- 开发机器学习模型来预测pyrazinamide耐药性.
- 在临床环境中增强pyrazinamide敏感性测试.
主要方法:
- 策划了一组数据集,其中包含了664个具有已知的表型的PNCA误解突变.
- 训练了三个机器学习模型,使用蛋白质的结构,化学和序列特征.
- 在临床隔离的大量数据集上评估模型性能.
主要成果:
- 最好的梯度增强决策树模型实现了80.2%的灵敏度和76.9%的特异性.
- 在4027个样本中估计了367个独特的pncA突变的模型性能.
- 识别了新的突变,以便进一步研究.
结论:
- 机器学习可以提高pyrazinamide耐药性预测的准确性.
- 这种方法可以改善基于遗传学的临床微生物学.
- 显示了与其他抗生素类似应用的潜力.
