歧视共同的E.E. 通过液体染色学-离子移动性-并联质谱学和机器学习在尿液中的菌株
Orobola E Olajide1, Michael Zirpoli2, Kimberly Y Kartowikromo1
1Department of Chemistry and Biochemistry, Auburn University, 179 Chemistry Building, Auburn, Alabama 36849, United States.
Journal of the American Society for Mass Spectrometry
|August 5, 2024
概括
使用液体色谱-离子流动性-协同质谱法 (LC-IM-MS/MS) 和机器学习的精确细菌鉴定可以区分大肠杆菌菌株. 这种方法有助于向抗生素治疗,并对抗抗菌素耐药性.
科学领域:
- 分析化学 分析化学
- 微生物学 微生物学
- 生物信息学是一种生物信息学.
背景情况:
- 准确的细菌菌株鉴定对于有效的患者抗生素治疗和打击抗生素耐药性至关重要.
- 目前的方法可能缺乏复杂临床样本所需的精度.
- 大肠杆菌 (E. coli) 菌株的分化对于有针对性的治疗至关重要.
研究的目的:
- 开发和验证一种用于准确识别和区分大肠杆菌菌株的新方法.
- 探索液体色谱-离子移动-并联质谱 (LC-IM-MS/MS) 结合机器学习用于细菌识别的实用性.
- 在临床样本中识别大肠杆菌菌株分化的独特生物标志物.
主要方法:
- 使用了一种多维分析技术:液体色谱-离子移动-并联质谱 (LC-IM-MS/MS).
- 应用机器学习算法来分析人工污染的尿样中的LC-IM-MS/MS数据.
- 采用分层聚类来分组和区分基于已识别的生物标志物的细菌菌株.
主要成果:
- 通过LC-IM-MS/MS和机器学习成功识别和区分了11种大肠杆菌菌株.
- 揭示了用于细菌菌株识别的脂质,代谢物和异构体生物标志物.
- 证明了在负离子模式下协同MS和LC以及在正离子模式下IM分离对生物标志物歧视的有效性.
结论:
- 与机器学习相结合的LC-IM-MS/MS为有针对性的omics应用提供了强大的方法.
- 这种方法显示出在临床和环境样本中准确诊断传染病的巨大潜力.
- 已识别的生物标志物是特定大肠杆菌菌株的独特特征,使其能够精确区分.
