ARGNet:使用深度神经网络,从序列中对抗生素耐药性基因进行可靠的识别和分类
Yao Pei1,2,3,4, Marcus Ho-Hin Shum1,2,3,4, Yunshi Liao1,2,4,5
1State Key Laboratory of Emerging Infectious Diseases, School of Public Health, The University of Hong Kong, Pokfulam, Hong Kong SAR, China.
Microbiome
|May 9, 2024
概括
一个新的深度学习工具ARGNet可以在没有序列对齐的情况下识别抗生素耐药性基因 (ARG),通过有效地测序数据来改进已知和新型ARG的检测.
科学领域:
- 微生物学 微生物学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 抗生素耐药性对全球健康构成重大威胁.
- 抗生素耐药性基因 (ARG) 对于了解细菌耐药性及其传播至关重要.
- 目前的ARG识别方法依赖于序列对齐,限制了新型ARG的发现和可扩展性.
研究的目的:
- 开发一种用于识别抗生素耐药性基因 (ARG) 的新型计算方法.
- 为了克服基于对齐的ARG检测方法的局限性.
- 从各种测序数据中有效发现已知和新型ARG.
主要方法:
- 开发了ARGNet,这是一个集成无监督自动编码器和卷积神经网络的深度神经网络.
- 对于ARG的识别,ARGNet并不依赖序列对齐.
- 该模型接受可变长度的氨基酸和核酸序列,以便灵活应用.
主要成果:
- 与现有的深度学习模型 (如DeepARG和HMD-ARG) 相比,ARGNet表现出卓越的性能.
- 实现了更高的准确性,特别是在准阴性测试和家族遗传一致性分析中.
- 与DeepARG相比,推断运行时间减少了多达57%,提高了效率.
结论:
- ARGNet提供了一种灵活,高效和准确的解决方案,用于从测序数据中广泛预测ARG.
- 该工具有助于全面监测ARG的传播和演变.
- 为了更广泛的可访问性,ARGNet是公开可用的在线服务.
