针对Mycobacterium tuberculosis中的抗生素耐药性GWAS的特征选择和聚合:一项比较研究

科学领域:

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

背景情况:

• 在Mycobacterium结核病 (MTB) 药物耐药性是一个全球卫生挑战.
• 核心基因组突变是MTB耐药性的主要驱动因素.
• 预测耐药性是复杂的,因为对某些药物的耐药性机制的知识有限,并且药物耐药性表型之间的相关性很高.

研究的目的:

• 评估机器学习 (ML) 方法来识别MTB中与药物耐药性相关的突变.
• 为了比较逻辑回归与规范化,ABESS和HHS在选择真因果突变中的性能.
• 评估将罕见突变聚合到功能域标记物的实用性,以改善关联研究.

主要方法:

• 评估后勤回归与规范化,ABESS (最佳子集选择) 和HHS (启发式算法).
• 评估了方法识别已知的因果突变的能力,同时避免与其他药物耐药性的混关联.
• 对MTB全基因组关联研究 (GWAS) 的ML模型进行比较.

主要成果:

• 在选择相关突变集方面,ABESS显著超过了其他方法.
• 将罕见突变聚合到PFAM域标记物中改善了预测质量,并被ABESS优先选择.
• 逻辑回归与规范化实现了比ABESS更高的预测准确性.

结论:

• ABESS有效地识别了MTB药物耐药性GWAS中的相关突变组.
• 来自罕见突变的功能域标记增强了对抗性相关变异的识别.
• 虽然ABESS在特征选择方面表现出色,但正规化的后勤回归提供了更高的预测准确性.