整合MALDI-TOF MS和机器学习来分类肠球菌:对物种预测监督学习算法的比较分析
Eiseul Kim1, Seung-Min Yang1, Jun-Hyeok Ham1
1Institute of Life Sciences & Resources and Department of Food Science and Biotechnology, Kyung Hee University, Yongin 17104, Republic of Korea.
Food chemistry
|September 1, 2024
概括
机器学习算法使用矩阵辅助激光消耗/电离飞行时间质谱 (MALDI-TOF MS) 光谱数据准确识别了Enterococcus物种. 这种方法显著改进了医疗保健和食品安全中的传统细菌识别方法.
科学领域:
- 微生物学 微生物学
- 分析化学 分析化学
- 生物信息学是一种生物信息学.
背景情况:
- 准确识别Enterococcus物种对于临床诊断和食品安全至关重要.
- 传统的识别方法可能耗时,可能缺乏精度.
- 矩阵辅助激光脱/离子化飞行时间质谱 (MALDI-TOF MS) 提供了一个快速的蛋白质分子分析方法.
研究的目的:
- 使用MALDI-TOF MS.区分三个不同的Enterococcus物种的光谱特征.
- 评估和比较机器学习算法对Enterococcus物种分类的性能.
- 确定关键的光谱生物标志物,以改善细菌识别.
主要方法:
- 分析了410个Enterococcus菌株的数据集,通过MALDI-TOF MS.生成了1640个光谱.
- 四个监督机器学习算法 (KNN,SVM,RF) 用于光谱分类.
- 全基因组测序被用来与细菌蛋白质相关联的信息光谱峰值.
主要成果:
- 机器学习分类器在识别Enterococcus物种时达到0.991的高精度.
- 随机森林模型突出了特定的信息峰值,这对于准确的分类至关重要.
- 鉴定到的峰值与细菌分类和进化研究中必不可少的蛋白质有关.
结论:
- MALDI-TOF MS和机器学习的整合为Enterococcus物种识别提供了一个高度准确和快速的方法.
- 这种综合方法提高了医疗保健中的诊断能力,并加强了食品安全协议.
- 已识别的光谱生物标志物为细菌分类学和进化提供了洞察力.


