使用基因组数据和机器学习来预测抗生素耐药性:一篇教程论文
Faye Orcales1,2, Lucy Moctezuma Tan1,3, Meris Johnson-Hagler1
1Department of Biology, San Francisco State University, San Francisco, California, United States of America.
本研究介绍了一种机器学习 (ML) 教程,用于预测细菌的抗生素耐药性. 它培训学生使用ML工具进行更准确和更具成本效益的耐药性测试.
科学领域:
- 微生物学 微生物学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 抗生素耐药性是一个重大的全球健康威胁,需要先进的诊断工具.
- 基因组测序与机器学习 (ML) 结合,有可能提高细菌耐药性检测的准确性和成本效益.
研究的目的:
- 提供一个初学者友好的,逐步教程,用于培训和评估ML模型来预测抗生素耐药性.
- 为健康前期和生命科学学生提供实践技能,以应用ML应对医疗挑战.
主要方法:
- 该教程引导用户通过数据准备和训练四个ML模型:逻辑回归,随机森林,极端梯度增强树木和神经网络.
- 模型性能使用各种指标和交叉验证技术进行评估.
- 该教程在Google Colab笔记本中实现,不需要安装软件.
主要成果:
- 该教程成功地展示了构建和评估ML模型的过程,以预测大肠杆菌的耐药性.
- 它提供了对不同ML算法及其在微生物学中的应用的基本理解.
结论:
- 机器学习为增强抗生素耐药性测试提供了一种有价值的方法.
- 本教程作为一个可访问的教育资源,为学生学习必要的ML技能,以未来的医疗应用.
更多相关视频
09:44Characterization of a Pathogenic Escherichia coli Strain Derived from Oreochromis spp. Farms Using Whole-Genome Sequencing
Published on: December 23, 2022
06:54Author Spotlight: Understanding and Detecting Environmental Antimicrobial Resistance by Combining Culture-Based Techniques and Genomics
Published on: July 19, 2024
相关概念视频
Antibiotic Selection
Pharmacogenomics: Identification of New Drug Targets
Development of Antibiotic Resistance
Modern Molecular Taxonomy
Mechanism of Antibiotic Resistance in MRSA
Clinical Significance of Antibiotic Resistance
