使用MALDI-TOF质谱和机器学习技术自动识别Salmonella血清型
Jun Ren1, Jintao Xia2, Mengyu Zhang3
1Department of Clinical Laboratory, Eye & ENT Hospital, Fudan University, Shanghai, China.
Journal of clinical microbiology
|June 11, 2025
概括
这项研究引入了一种结合MALDI-TOF MS和XGBoost的新方法,用于快速的沙门氏菌血型鉴定. 综合方法为传统方法提供了高度准确和高效的替代方案,改善了诊断和流行病学研究.
科学领域:
- 微生物学与传染病的研究
- 生物信息学和计算生物学
- 质谱的应用 质谱的应用
背景情况:
- 传统的沙门氏菌血型鉴定方法耗时,复杂,难以扩展.
- 矩阵辅助激光脱吸电离-飞行质谱的时间 (MALDI-TOF MS) 是快速的,但不能区分沙门氏菌血清型.
- 需要有效和准确的沙门氏菌血型鉴定,用于公共卫生和临床应用.
研究的目的:
- 使用MALDI-TOF MS数据开发和验证用于标识沙门氏菌血清型的机器学习模型.
- 为了提高沙门氏菌血型鉴定的效率和简化工作流程.
- 为实验室诊断和流行病学研究提供快速,准确和经济有效的解决方案.
主要方法:
- 使用MALDI-TOF MS分析了692个沙门氏菌分离物,产生了2048个光谱.
- 在光谱数据上训练并验证了十个机器学习算法,包括XGBoost.
- 从最初的192个模型中选择了16个关键功能用于模型构建,并将最好的模型部署为Streamlit应用程序.
主要成果:
- 在训练组中,XGBoost获得了最高的区分能力 (AUC = 0.9898,灵敏度 = 0.88,特异性 = 0.98).
- 精简的XGBoost模型在内部 (AUC = 0.9662) 和外部 (AUC = 0.9778) 验证集中显示出高精度.
- 开发的Streamlit应用程序促进了用户交互和模型的更广泛应用.
结论:
- MALDI-TOF MS与XGBoost相结合,提供了一种快速,准确和可扩展的方法来识别沙门氏菌血型.
- 这种综合方法显著提高了实验室诊断和流行病监测的效率.
- 这款用户友好的应用程序支持更广泛的采用,改善疫情应对和公共卫生倡议.
