使用废水微生物群,众包和环境数据对食源性传染病的机器学习监测

科学领域:

• 环境微生物学环境微生物学
• 计算流行病学计算流行病学
• 食品安全科学 食品安全科学

背景情况:

• 杆菌 (Clostridium perfringens,简称CP) 导致严重的食物传播疾病和经济损失.
• 目前的CP监控方法复杂,昂贵,资源密集.
• 有效的监测对于公共卫生干预至关重要.

研究的目的:

• 开发和验证数据驱动的机器学习 (ML) 框架,以加强CP疾病监测.
• 整合各种数据来源,包括废水微生物组和众包信息.
• 为了提高预测准确度和CP爆发检测效率.

主要方法:

• 综合城市废水微生物群,众包网络搜索数据和环境因素.
• 应用机器学习 (ML) 建模与优化策略 (数据集成,规范化,模型选择,超参数调整).
• 利用可解释的人工智能 (XAI) 和多omics分析.

主要成果:

• 随着时间的推移,ML框架成功地预测了CP病例,证明了增强的性能.
• 可解释的AI确定了废水中CP的丰富程度是疾病病例最可靠的预测指标.
• 多种omics证实了废水中CP基因型/毒素型的存在,验证了该方法.

结论:

• 基于ML的框架为CP疾病监测提供了一个强大的工具.
• 基于微生物组数据的ML监测是食品传播疾病的可行策略.
• 这种方法可以显著补充和加强现有的公共卫生监测系统.