使用抗生素耐药性基因和机器学习模型在曼海米亚血解菌中预测表型抗生素耐药性

科学领域:

• 兽医微生物学 兽医微生物学
• 抗微生物耐药性 抗微生物耐药性
• 基因组学就是基因组学.

背景情况:

• 曼海米亚血解菌是牛呼吸系统疾病 (BRD) 的主要原因之一.
• 增加抗生素耐药性的M. hemolytica使BRD治疗复杂化.
• 整合结合元件 (ICE) 有助于M. haemolytica.的多药性耐药性.

研究的目的:

• 为了比较基因型-表型对应的准确性,用于预测M. haemolytica的抗生素耐药性.
• 为了评估注释抗生素耐药性基因 (ARG) 与机器学习 (ML) 模型的有效性.
• 评估ARG对预测BRD病原体表型耐药性的有用性.

主要方法:

• 已知抗生素耐药性基因 (ARG) 的基因组注释.
• 机器学习 (ML) 模型的开发和测试,用于新的抗生素耐药性决定因素的预测.
• 七种抗生素中ARG和ML模型的基因型-表型一致率的比较.
• 预测模型的验证在一个外部的孤立集.

主要成果:

• 对ARG的基因型-表型一致率一般为>90%,优于ML模型 (>80%).
• 对于所有7种测试的抗生素,ARG提供了比ML模型更准确的预测.
• ML模型确定了与耐药性相关的各种遗传元素,包括编码,非编码,MGE和病毒性基因.
• 结合新型ARG和单核酸多形态的模型改善了特定抗生素的一致率.

结论:

• 已知的抗生素耐药性基因 (ARG) 是曼海米亚血解菌表型耐药性的可靠预测因素.
• 这项研究支持继续使用ARG来预测和管理BRD的抗生素耐药性.
• 对新型ARG和遗传元素的进一步研究可以提高耐药性预测的准确性.