端到端深度学习解释了在无峰值选择的MALDI-MS数据中的抗菌耐药性

科学领域:

• 临床微生物学 临床微生物学
• 计算生物学是一种计算生物学.
• 分析频谱测量数据的分析.

背景情况:

• 质谱测量对于在全球临床环境中识别传染性微生物至关重要.
• 大量的质谱数据可以利用先进的分析方法获得更深入的见解.
• 预测抗菌素耐药性对于有效的治疗策略至关重要.

研究的目的:

• 开发一个端到端的深度学习模型,直接从原始MALDI-MS数据中预测抗生素耐药性.
• 绕过传统的数据处理步骤,如峰值选择,以简化工作流程.
• 为了证明深度学习在改善临床应用中MALDI-MS数据分析方面的潜力.

主要方法:

• 使用了一维卷积神经网络 (1D CNN) 架构.
• 将模型应用于 (几乎) 原始的 MALDI-MS 数据,避免了传统的峰值提取.
• 训练并验证了跨不同抗微生物耐药性表型,时间点和位置的模型.

主要成果:

• 实现了最先进的性能,曲线下的面积 (AUC) 值在所有测试的抗微生物耐药性表型中从0.93到0.99不等.
• 在不同的时间段和地理位置展示了强大的模型验证.
• 功能归因分析提供了对模型行为和潜在工作流改善的见解.

结论:

• 使用MALDI-MS数据进行可靠的抗生素耐药性表型识别,可以通过先进的深度学习技术实现.
• 端到端深度学习模型为分析光谱数据提供了显著的优势.
• 这种方法可以提高传染病诊断的效率和准确性.