贝叶斯指导的合成微生物组的生成,使病原性降到最低

科学领域:

• 微生物学 微生物学
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 多种药物耐药性 (MDR) 在医疗保健中构成了重大挑战.
• 合成微生物组为治疗干预和研究提供了一个有希望的途径.
• 有效地搜索合成微生物组变体的广空间对于识别有效候选人至关重要.

研究的目的:

• 介绍贝叶斯优化方法,用于高效地搜索合成微生物组变体.
• 为了确定合成微生物组候选人预测降低多重药物耐药性 (MDR).
• 为了证明使用定制的MDR配置文件创建合成微生物组的可行性.

主要方法:

• 微生物组数据集使用自动编码器被编码到一个低维的潜空间.
• 贝叶斯优化用于选择合成微生物组变体进行生物查.
• 评估了四个获取函数 (预期改善,上置信限,普森抽样,改善概率).
• 合成样本根据其MDR检测优先考虑.

主要成果:

• 贝叶斯优化方法使得合成微生物组变体的有效搜索成为可能.
• 预期的改进,上置信限和改进获取函数的概率始终优于普森抽样.
• 这些方法产生了合成微生物组候选者,搜索次数显著减少.
• 该研究表明,可以创建定制合成微生物组,并使用定制的MDR配置文件.

结论:

• 将深潜空间映射与贝叶斯学习相结合,便于对合成微生物组进行高效的引导选.
• 这种方法对于开发针对特定治疗目标的合成微生物组是有效的,例如减少MDR.
• 该研究验证了针对特定应用的定制合成微生物组的创建.