可解释组合学习使用专家分类器预测了Treponema denticola中的抗生素耐药性

科学领域:

• 基因组学和生物信息学
• 计算生物学和机器学习
• 传染病与微生物学

背景情况:

• 抗菌素耐药性 (AMR) 构成了全球健康的重大威胁,增加了医疗保健成本和死亡率.
• 牙周感染,通常涉及诸如Treponema denticola之类的病原体,是AMR日益关注的问题.
• 针对性治疗对于在牙周病中管理AMR至关重要.

研究的目的:

• 开发和评估用于预测和分类Treponema denticola.AMR基因组序列的机器学习 (ML) 模型.
• 确定最有效的ML模型来准确地对这一关键的牙周病原体进行AMR分类.
• 探索ML在为针对牙周感染的向治疗策略提供信息方面的潜力.

主要方法:

• 使用UniProt FASTA对T. denticola的序列来研究AMR.
• 在 Jupyter Notebook 环境中使用 BioPython 库进行数据检索和预处理.
• 比较了四种ML分类模型 (随机森林,SVM,梯度提升,神经网络) 和投票分类器,优化了超参数并使用五倍交叉验证.

主要成果:

• 投票分类器表现出卓越的性能,达到最高的测试准确率 (96.46%) 和F1得分 (0.9646).
• 支持矢量机 (SVM) 和神经网络模型也显示出高精度 (95.58%).
• 投票分类器表现出稳健性,日志损失低至0.1504,表明准确性和模型校准之间的平衡良好.

结论:

• 投票分类器对于分类T. denticola. 的AMR基因组序列非常有效.
• 可解释的ML方法显示出有前途的AMR研究在牙周病原体的进步.
• 准确的AMR预测可以增强临床决策,优化抗生素选择,并支持公共卫生监测.