机器学习对固体和液体介质中的Mycobacterium abscessus与MALDI-TOF MS分种识别的贡献
Alexandre Godmer1,2, Lise Bigey1,3, Quentin Giai-Gianetto4,5
1U1135, Centre d'Immunologie et des Maladies Infectieuses (Cimi-Paris), Sorbonne Université, Paris, France.
Microbial biotechnology
|September 11, 2024
概括
使用MALDI-TOF MS的机器学习可以识别Mycobacterium abscessus亚种,这对于指导宏类抗生素治疗至关重要. 在固体介质上精度很高,但需要进一步开发液体介质识别.
科学领域:
- 微生物学 微生物学
- 计算生物学 计算生物学
- 分析化学 分析化学
背景情况:
- 菌菌 (MABS) 包含具有不同宏酸敏感性的亚种.
- 准确的MABS亚种识别在临床上对于有效的治疗策略至关重要.
研究的目的:
- 为了评估机器学习 (ML) 分类器与MALDI-TOF MS结合用于MABS亚种识别.
- 为了比较固体 (哥伦比亚血,CBA) 与液体 (MGIT®) 培养介质的识别性能.
主要方法:
- 从CBA和MGIT®培养的40个MABS菌株创建了两个光谱数据库.
- 利用MALDI-TOF MS获取光谱,并开发了一个用于峰值分析的内部程序.
- 应用ML算法,包括随机森林,用于分种分类.
主要成果:
- 一种基于峰值的方法在CBA上区分了M. massiliense.
- 在CBA上,ML在MABS亚种识别上实现了100%的准确性.
- 在MGIT®中培养的菌株中,ML识别精度降至77.5%.
结论:
- ML与MALDI-TOF MS相结合,是MABS亚种歧视的一个有希望的工具.
- 目前在MGIT®中基于ML的识别需要进一步优化临床可靠性.
更多相关视频
08:34Identification of Virulence Markers of Mycobacterium abscessus for Intracellular Replication in Phagocytes
Published on: September 27, 2018
8.6K
11:09Use of MALDI-TOF Mass Spectrometry and a Custom Database to Characterize Bacteria Indigenous to a Unique Cave Environment Kartchner Caverns, AZ, USA
Published on: January 2, 2015
14.0K
