废水微生物组的元分析,以分析抗生素耐药性

科学领域:

• 环境微生物学环境微生物学
• 生物信息学是一种生物信息学.
• 机器学习应用程序 机器学习应用程序

背景情况:

• 微生物群落和压力分子驱动抗生素耐药性细菌 (ARB) 和基因 (ARG).
• 需要准确,快速的方法来将微生物组组成与抵抗体联系起来.
• 废水作为ARG的储备,需要有效的监测.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于从废水中的分类组合中预测ARG配置文件.
• 评估ML模型在识别ARG-主机协会中的准确性和适用性.
• 为ARG宿主识别提供了超基因组分区的可行替代方案.

主要方法:

• 来自污水和医院废水的二次元基因组数据的分析,用于分类学和ARG分析.
• 基于随机森林 (RF) 的ML模型的开发,以从细菌组成中预测ARG配置文件.
• 模型验证使用医院废水数据,评估ARG亚型丰度预测的准确性.

主要成果:

• 与污水相比,医院废水的ARG总含量 (15ppm) 与污水 (5ppm) 相比显著更高,其中甲基西林,卡巴烯和诺抗性占主导地位.
• ML模型在预测ARG亚型丰度方面达到>90%的准确性,并确定了致病性属 (例如,Escherichia,Vibrio,Pseudomonas) 作为ARG变异的关键贡献者.
• 该模型在医院废水中显示了>80%的准确性,这表明它在不同的废水系统中具有普遍性.

结论:

• ML技术可以有效地预测基于细菌组成的ARG概况,包括16S rDNA amplicon数据.
• 这种ML方法为识别潜在的ARG宿主提供了一种有希望的替代物.
• 该研究强调了ML在预测ARG传播和启用ARB出现的早期警告方面的潜力.