一个框架预测了在消毒过程中使用机器学习的抗生素耐药性基因的去除有效性

科学领域:

• 环境微生物学环境微生物学
• 水处理技术水处理技术.
• 分子生物学分子生物学

背景情况:

• 抗生素耐药性基因 (ARG) 的传播是一个主要的公共卫生问题.
• 消毒对于去除ARG至关重要,但传统的量化方法存在局限性.
• 定量聚合酶连锁反应 (qPCR) 提供间接ARG降解测量,而转化试验提供直接停用,但是劳动密集型的.

研究的目的:

• 开发一种机器学习 (ML) 框架,用于预测消毒过程中ARG停用和清除效率.
• 为了利用qPCR数据作为劳动密集型转换试验的代理.
• 为评估ARG移除创建一个可访问的在线平台.

主要方法:

• 应用机器学习模型使用qPCR数据来预测转换试验测量.
• 使用,UV254,臭氧和UV/H2O2的消毒有效性的评估2.
• 开发ARG降解和失活率的预测模型.
• 模型的结合,以预测整体ARG去除效率.

主要成果:

• 对于ARG降解 (R2>0.926) 和失活 (R2>0.871) 率的高预测精度.
• 通过结合降解和停用模型,准确预测ARG去除效率 (R2 > 0.828).
• 成功开发了一个在线平台,用于ML模型的可访问性.

结论:

• ML模型为评估消毒过程中ARG去除的传统方法提供了快速而准确的替代方法.
• 开发的框架和在线工具可以帮助优化水处理策略,以打击抗生素耐药性.
• 这种方法提高了对环境中ARG传播的理解和控制.