使用全基因组和元基因组测序,快速预测Enterobacter cloacae复合体中的抗生素耐药性

科学领域:

• 基因组学和生物信息学
• 临床微生物学 临床微生物学
• 传染性疾病 传染性疾病

背景情况:

• 由于不准确的物种识别和缓慢的抗菌感应性测试 (AST) 阻碍了Enterobacter cloacae复合体 (ECC) 的临床管理.
• 传统的基于培养的方法表现出严重的错误识别率,影响了ECC感染的治疗决策.

研究的目的:

• 开发一种用于Enterobacter cloacae复合体 (ECC) 的快速抗菌敏感性测试 (AST) 预测模型,使用全基因组测序 (WGS) 和元基因组下一代测序 (mNGS).
• 为了比较基于平均核酸标识 (ANI) 的方法和基于传统培养的方法之间的物种识别准确性.
• 评估基于WGS/mNGS的新型AST预测模型的临床适用性和周转时间.

主要方法:

• 从公共和医院数据库收集了1054个ECC菌株基因组与相关的AST数据.
• 采用机器学习算法来识别关键抗生素的耐药性标记物 (伊米,美罗,西普罗撒,莱沃撒,trimethoprim-sulfamethoxazole).
• 验证了基于WGS和mNGS的AST预测模型,使用104个儿科唾液样本,将结果与基于培养的AST进行比较.

主要成果:

• 基于培养的方法显示,与基于ANI的分类相比,ECC分离物的错误识别率为74%.
• 机器学习模型实现了高面积的曲线下值 (88-91%) 预测对抗生素耐药性测试.
• 临床验证表明>95%的整体准确性,即100%的伊米和98.80%的美罗,将检测时间缩短了69.64小时.

结论:

• 已建立的基于WGS和mNGS的AST预测模型为ECC管理的传统方法提供了快速而准确的替代方案.
• 这种方法显著改善了患者的管理,使得早期,针对性治疗多药耐药ECC感染.
• 该模型提供了一个临床适用的工具,以解决目前ECC诊断方法的局限性.