基于机器学习的分类揭示了与Erm介导的抗生素耐药性相关的非编码基因组等位基因变异的独特集群

科学领域:

• 微生物学和分子生物学
• 进化生物学 进化生物学
• 基因组学就是基因组学.

背景情况:

• 抗生素耐药性 (AR) 是一个主要的全球健康威胁,由AR基因的传播驱动.
• 红色素耐药性RNA甲基转移酶 (erm) 基因赋予了对宏类,林科萨米德和链状蛋白素 (MLS表型) 的耐药性.
• 埃尔姆表达通常是由宏类诱导的核糖体停滞诱导的,改变RNA结构以启动翻译.

研究的目的:

• 调查上游ERM监管元素的进化出现.
• 了解这些元素的等位体变异如何影响ERM表达和MLS表型.
• 探索非编码基因组数据用于预测抗生素耐药性的潜力.

主要方法:

• 在已知的ERM操作中对上游调节序列的系统分析.
• 上游 ermB 地区的全人口基因组分析.
• 机器学习分类与RNA结构建模相结合.
• 预测的MLS表型的实验验证.

主要成果:

• 监管要素的不同配置在 erm 子家族 (例如, ermB, ermC) 中独立演变.
• 在上游的 ermB 区域中发现了大量的非随机等位基因变异.
• 基变异协同影响RNA毛稳定性,影响ermb诱导性和MLS表型.
• 机器学习从非编码等位基准准确预测了MLS表型 (准确率为91%).
• 发现了MLS耐药性的重复和独立演变的证据.

结论:

• 非编码的基因组变异在抗生素耐药性的进化中起着至关重要的作用.
• 该研究阐明了推动MLS耐药性的出现和发展的进化过程.
• 非编码的基因组等位基因数据可以被利用来准确预测抗生素耐药性表型.