通过机器学习模型解读和预测猪肥有氧堆肥过程中抗生素耐药性基因的变化
Xiaohui Yu1,2, Yang Lv2, Qing Wang1,2
1Key Laboratory of Smart Breeding (Co-construction by Ministry and Province) of Ministry of Agriculture and Rural Affairs, Tianjin Agricultural University, Tianjin, 300392, China.
Environmental science and pollution research international
|April 30, 2024
概括
有氧化堆肥有效地减少了牲畜中的抗生素耐药性基因 (ARG). 机器学习模型确定了影响堆肥过程中ARG减少的温度和时间等关键因素.
科学领域:
- 环境微生物学 环境微生物学
- 农业科学 农业科学
- 数据科学数据科学数据科学
背景情况:
- 牲畜便是环境中抗生素耐药性基因 (ARG) 的重要储备.
- 有氧堆肥提供了一个有前途的策略,以减轻来自物的ARG传播.
- 了解堆肥参数对ARG的影响对于风险管理至关重要.
研究的目的:
- 调查有氧堆肥参数对猪中的ARG的影响.
- 开发用于堆肥过程中ARG变化的预测机器学习模型.
- 确定导致堆肥肥料中ARG变化的关键因素.
主要方法:
- 关于猪堆肥的191个文献来源数据集的数据挖掘.
- 应用和比较XGBoost和随机森林机器学习模型.
- 特征重要性分析和Shapley对模型解释的附加解释.
主要成果:
- 与随机森林 (R2 = 0.490) 相比,XGBoost模型显示出更好的预测性能 (R2 = 0.651).
- 影响ARG变化的关键因素是热友时期,总堆肥持续时间,实时堆肥和热友平均温度.
- 该研究成功地应用了ML来预测和解释在肥堆肥过程中ARG动态.
结论:
- 机器学习模型,特别是XGBoost,是预测堆肥肥料中ARG变化的有效工具.
- 堆肥过程参数,特别是与温度和时间相关的参数,显著影响ARG减少.
- 研究结果为优化堆肥策略提供了见解,以尽量减少环境抗生素耐药性风险.
更多相关视频
08:58Isolation and Identification of Waterborne Antibiotic-Resistant Bacteria and Molecular Characterization of their Antibiotic Resistance Genes
Published on: March 3, 2023
6.4K
06:54Author Spotlight: Understanding and Detecting Environmental Antimicrobial Resistance by Combining Culture-Based Techniques and Genomics
Published on: July 19, 2024
1.0K
