机器学习用于水和废水中抗生素耐药性的应用:系统性审查

科学领域:

• 环境科学 环境科学
• 微生物学 微生物学
• 数据科学数据科学数据科学

背景情况:

• 抗生素耐药性 (AR) 是一个关键的全球健康威胁,需要一个健康的方法.
• 水和废水系统是AR的重要环境储库.
• 这些媒体中的AR现象的非线性性质需要先进的分析工具.

研究的目的:

• 系统地审查和分类基于机器学习的方法 (MLMs) 解决水和废水中的AR的应用.
• 为了确定当前的趋势,局限性和知识差距在AR研究的MLM应用程序.
• 探索MLM在预测ARB存活,识别ARG源和理解AR动态方面的潜力.

主要方法:

• 从1987年到2023年,对相关数据库进行系统的文献搜索.
• 基于MLM类型 (浅层与深度学习) 和应用目标的确定研究的分类和分析.
• 在AR研究中评估回归,分类,聚类和关联方法的流行情况.

主要成果:

• 总共有12个应用程序被确定,其中91.6%使用浅层学习,只有8.3%使用深度学习.
• 浅层学习应用主要使用回归 (50%) 和分类 (33.3%) 技术,主要用于预测抗生素耐药细菌 (ARB) 存活率和识别抗生素耐药性基因 (ARG) 源.
• 深度学习对预测ARG序列的应用很少 (8.3%),没有发现对集群或关联方法的研究.

结论:

• 机器学习为研究水和废水中的AR提供了有价值的工具,目前浅层学习方法在该领域占主导地位.
• 存在重大知识差距,特别是在深度学习,集群和关联方法的应用中,用于对AR进行全面分析.
• 进一步关注这些未充分利用的MLM的研究对于推动我们对环境系统中AR的理解和管理至关重要.