机器学习检测大肠杆菌中异阻的检测

科学领域:

• 微生物学 微生物学
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 异质抗性 (HR) 是一种关键的抗生素耐药机制,易受感染的细菌藏着小的耐药亚群.
• 目前的敏感性测试往往无法检测HR,导致错误分类和潜在的治疗失败.
• HR与各种细菌物种和抗生素的临床治疗失败有关.

研究的目的:

• 调查全基因组测序 (WGS) 和机器学习 (ML) 对于检测细菌异阻力 (HR) 的实用性.
• 开发和评估ML模型,用于在临床隔离物中识别HR.
• 为了阐明基因机制背后的HR在格拉姆阴性细菌.

主要方法:

• 通过预先查和人口分析分析,将467种大肠杆菌分离物分类为HR或非HR.
• 执行全基因组测序和组装基因组以基于已知的HR机制创建ML预测器.
• 经过训练和验证的ML模型,将其性能与仅依赖beta-lactamase基因的基线模型进行比较.

主要成果:

• 最好的ML模型在检测HR时实现了100%的灵敏度和84.6%的特异性,超过了基线模型.
• HR的关键预测因素包括β-乳糖酶基因的数量和变异以及IS元素的侧面.
• 基因分析证实HR源于通过基因放大或等离子体拷贝数量的增加而增加的抗性基因拷贝数量.

结论:

• 结合WGS和ML的方法有效地识别了高精度的细菌HR.
• 这种方法提供了比传统的敏感性测试更好的检测能力.
• 加强HR检测可以导致更明智的治疗选择,并减轻治疗失败.