对Helicobacter pylori抗生素耐药性的评估:基于全基因组遗传变异的实用和可解释的机器学习模型
Yingying Wang1,2,3, Shuwen Zheng1,2,3, Rui Guo1,2,3
1Tumor Etiology and Screening Department of Cancer Institute and General Surgery, The First Hospital of China Medical University, Shenyang, China.
Virulence
|March 22, 2025
概括
使用全基因组数据的机器学习模型准确地预测了Helicobacter pylori的抗生素耐药性. 这种方法有助于识别耐药菌株,并可以减少实证抗生素的使用.
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:
- 杆菌的抗生素耐药性是一个重大的全球健康问题.
- 准确识别耐药菌株对于有效的感染控制至关重要.
研究的目的:
- 开发机器学习 (ML) 模型,以使用全基因组数据对H. pylori进行全面的抗生素耐药性评估.
- 创建可解释的ML模型来预测对特定抗生素的耐药性和多重耐药性 (MDR).
主要方法:
- 利用来自公共数据库 (BV-BRC,NCBI) 的296个H. pylori分离物的全基因组数据.
- 训练有素的ML模型使用包括单核酸多态 (SNPs-1),抗生素耐药性SNP (SNPs-2) 和基因存在/缺失 (GPA) 在内的特征集.
- 在模型开发和解释中使用了极端梯度提升 (XGBoost) 和夏普利添加式扩展 (SHAP).
主要成果:
- 结合SNP-1,SNP-2和GPA数据的模型实现了最佳的预测性能.
- 在预测抗生素耐药性方面,XGBoost始终优于其他ML算法.
- 为MDR模型开发了一个Web应用程序,并在GitHub上部署.
结论:
- 整基因组数据与ML算法相结合,显示出预测H. pylori抗生素耐药性的显著前景.
- 可解释的ML模型可以帮助理解阻力机制.
- 这种方法有可能指导治疗决策并减少经验性抗生素的使用.
