在Klebsiella pneumoniae中优化机器学习预测最小抑制度
Gherard Batisti Biffignandi1,2,3, Leonid Chindelevitch2, Marta Corbella4
1Department of Biology and Biotechnology, University of Pavia, Pavia, Italy.
使用基因组测序和机器学习预测抗生素耐药性需要仔细处理最小抑制度 (MIC) 数据. 在Klebsiella pneumoniae中抗生素耐药性的最佳预测准确性取决于MIC是否被视为连续 (回归) 或分类 (分类) 数据.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 微生物学 微生物学
背景情况:
- 最低抑制度 (MIC) 是测量抗生素耐药性的标准,但耗时且可重复性较低.
- 基因组测序和机器学习为*in silico*MIC预测提供了潜力,克服了一些实验室限制.
- 在预测模型中处理半量化,可变分辨率和审查的MIC数据仍然是一个挑战.
研究的目的:
- 为了研究基因组基因预测Klebsiella肺炎的MIC.
- 评估将MIC数据作为回归与分类对预测模型准确性的影响.
- 确定用于预测抗生素耐药性的机器学习模型中处理MIC数据的最佳策略.
主要方法:
- 利用了4367个*Klebsiella pneumoniae*基因组与模拟和真实MIC数据.
- 使用可解释的机器学习模型:弹性网,随机森林和线性混合模型.
- 通过将MIC作为连续 (回归) 和分类 (分类) 变量来评估预测准确性.
主要成果:
- 最有效的学习策略是根据可用的抗生素度水平的数量调整数据处理.
- 对于大量的度水平,在回归框架中将MIC视为连续的,可以优化准确性和变量推断.
- 由于度水平较低,建议在分类框架中将MIC视为分类.
结论:
- 针对*in silico*抗生素耐药性预测的最佳机器学习策略取决于MIC数据的分辨率.
- 结合先前的生物知识可以提高预测模型的性能,因为基因架构不同.
- 扩大人口数据库对于基于机器学习的抗生素耐药性诊断的临床实施至关重要.
更多相关视频
09:26Antibiotic Efficacy Testing in an Ex vivo Model of Pseudomonas aeruginosa and Staphylococcus aureus Biofilms in the Cystic Fibrosis Lung
Published on: January 22, 2021
06:19Author Spotlight: Characterizing Airway Environments to Advance Model Systems and Antimicrobial Discovery in Cystic Fibrosis and Chronic Respiratory Infections
Published on: October 11, 2024
相关概念视频
Determination of Multiple Dosing Parameters: Steady-State, Minimum and Maximum Concentrations
Estimation of k and VD of Aminoglycosides
Pharmacodynamic Models: Overview
Impact of Pharmacokinetic–Pharmacodynamic Models: Regulatory Decisions
