使用机器学习识别Enterococcus中抗菌素耐药性的关键驱动因素

科学领域:

• 微生物学 微生物学
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 抗菌素耐药性 (AMR) 是一个日益增长的全球健康威胁.
• 准确识别AMR遗传决定因素对于监测和治疗至关重要.
• 机器学习 (ML) 模型为AMR预测提供了潜力,但需要可解释性.

研究的目的:

• 开发和解释ML分类器,用于预测*Enterococcus faecium*和*Enterococcus faecalis*中的AMR表型.
• 研究AMR基因,泛基因特征和等离子体数据对AMR预测的有用性.
• 评估ML模型识别的特征的生物相关性.

主要方法:

• 利用了647种*Enterococcus*隔离体的基因组数据,跨越了One Health连续.
• 开发了使用AMR基因,泛基因和等离子体特征对已知的耐药性表型进行ML分类器.
• 分析的特征对于理解预测耐药性的生物基础的重要性.

主要成果:

• 使用AMR基因特征,实现了对万科米辛耐药性的高预测准确性 (高达99%).
• 泛基因特征准确预测了万科米辛和多西环素耐药性 (分别为98%和92%).
• 确定了关键的遗传元素,如*vanA*操作子和Tn*916*转位子,作为重要的预测因素.

结论:

• ML模型可以有效地预测*Enterococcus*物种中的AMR表型.
• 解释ML模型特征为AMR机制提供了有价值的生物学见解.
• 这种方法有助于生成用于实验验证和打击AMR的假设.