通过使用组关联建模和机器学习,对多药物耐药微生物进行增强诊断

科学领域:

• 基因组学就是基因组学.
• 微生物学 微生物学
• 计算生物学 计算生物学

背景情况:

• 精确检测基因型-表型关联对于了解微生物耐药性至关重要.
• 目前用于预测药物耐药性的方法可能会遭受假阳性交叉耐药性人工物的影响,并且需要广泛的专家知识.

研究的目的:

• 引入和验证一种新的集团关联模型 (GAM),用于识别与微生物耐药性相关的遗传变异.
• 将GAM的性能与现有方法进行比较,包括世界卫生组织 (WHO) 突变目录.
• 通过机器学习 (ML) 来评估可概括性和完善GAM,以提高预测准确性.

主要方法:

• 开发和应用集团关联模型 (GAM) 来分析微生物分离物的大型数据集.
• 与世卫组织对结核菌 (Mtb) 和金黄色葡萄球菌 (S. aureus) 突变目录的GAM性能进行比较分析.
• 使用机器学习 (ML) 技术改进GAM,以提高预测准确度,特别是在不完整的数据集.

主要成果:

• 在Mtb分离物中,GAM准确地识别了药物耐药性的基因标,表现与世卫组织目录相当,但交叉耐药性文物较少.
• 在不同的细菌物种中,GAM表现出高的预测准确性和概括性,包括金.
• 与世界卫生组织输入相比,GAM与ML (GAM+ML) 结合显示出更好的预测准确度和适合于ML模型的适合性,特别是在有限的数据的情况下.

结论:

• GAM提供了一个强大的,独立于知识的方法来检测微生物耐药性的基因型-表型关联.
• GAM,特别是当它与ML增强时,解决了当前预测方法的局限性,提供了更高的准确性和更少的工件.
• GAM+ML有可能显著改善耐药微生物感染患者的治疗决策.