从微生物基因组中评估抗菌素耐药性表型的计算预测

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:

• 快速的全基因组测序使得抗菌素耐药性 (AMR) 现型的计算预测成为可能.
• 基于规则和机器学习 (ML) 方法都存在,但缺乏系统的基准测试.

研究的目的:

• 严格评估和比较最先进的ML方法与基于规则的AMR表型预测方法.
• 确定各种细菌物种和抗生素组合中最有效的计算方法.

主要方法:

• 评估了四种ML方法 (Kover,PhenotypeSeeker,Seq2Geno2Pheno,Aytan-Aktug) 以及基于规则的ResFinder.
• 在78个物种抗生素数据集上使用综合评估方法和样本分割方法进行培训和测试的方法.

主要成果:

• 在各种方法和数据集中观察到显著的性能差异;ML方法在密切相关的菌株中表现出色,ResFinder在不同的基因组中表现出色.
• 科弗,PhenotypeSeeker和Seq2Geno2Pheno是表现最好的ML方法之一. 麦克罗利德和硫胺显示出最高的预测准确度.
• 预测准确度因物种-抗生素组合而异,β-乳酸盐和四环素显示出更多的变化. 坎比洛巴克特 (Campylobacter jejuni) 和菌 (Enterococcus faecium) 的表型是最强有力的预测.

结论:

• 没有一种单一的方法普遍优于其他方法;最佳选择取决于特定的物种-抗生素组合和基因组分歧.
• 强调需要对临床应用进行方法优化,特别是对于不同的菌株.
• 为特定物种-抗生素配对提供软件建议,以指导实际实施.