MSDeepAMR:基于深度神经网络和转移学习的抗微生物耐药性预测

科学领域:

• 临床微生物学 临床微生物学
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 抗菌素耐药性 (AMR) 构成了全球健康的重大威胁,需要快速准确的诊断工具.
• 矩阵辅助激光脱吸/离子-飞行时间 (MALDI-TOF) 质谱 (MS) 是临床实验室用于细菌鉴定和AMR检测的标准.
• 目前对抗药物耐药性分析的深度学习方法通常依赖于手动光谱预处理,从而限制了效率.

研究的目的:

• 开发和评估MSDeepAMR,这是一个深度神经网络,旨在从原始质谱直接预测AMR.
• 评估模型在关键细菌病原体如大肠杆菌 (Escherichia coli),肺炎菌 (Klebsiella pneumoniae) 和金黄色葡萄球菌 (Staphylococcus aureus) 上的表现.
• 调查转移学习的实用性,以便将模型适应外部数据集.

主要方法:

• 实施深度神经网络 (MSDeepAMR) 来直接分析原始质谱.
• 该模型的应用用于预测选定的细菌物种中抗生素耐药性概况.
• 评估转移学习策略,以提高模型适应性和对新数据的性能.

主要成果:

• MSDeepAMR在AMR检测方面表现出强大的分类性能,接收器操作特征曲线 (AUROC) 下的面积在大多数情况下超过0.83.
• 与之前的调查相比,该模型在结果中取得了超过10%的改进.
• 在将模型调整到外部数据时,转移学习显著提高了AUROC的20%.

结论:

• 该MSDeepAMR模型显示了从质谱数据直接预测抗生素耐药性的巨大潜力.
• 该模型能够使用原始光谱并通过转移学习进行适应,这使其在各种实验室环境中更容易应用.
• 这种方法支持更广泛地获得先进的AMR检测能力,即使在样本采集资源有限的实验室.