使用基于WGS数据的机器学习分类器预测Staphylococcus aureus中的抗菌耐药性

科学领域:

• 基因组学和生物信息学
• 计算生物学 计算生物学
• 传染性疾病 传染性疾病

背景情况:

• 抗菌素耐药性 (AMR) 构成重大威胁,导致治疗失败并限制精确医学.
• 分子诊断对于识别耐药性模式至关重要.
• 机器学习 (ML) 应用于全基因组测序 (WGS) 数据,可以准确预测AMR表型.

研究的目的:

• 开发和评估ML模型来预测AMR表型在黄金葡萄球菌*.
• 确定用于AMR预测的最佳特征类型 (基因,SNP,k-mer).
• 发现与AMR相关的新型分子标记物,用于精准医学.

主要方法:

• 使用了3979种*金黄色葡萄球菌*菌株的WGS数据.
• 开发了结合基因,单核酸多态 (SNP) 和k-mer特征的ML模型.
• 用曲线下的面积 (AUC) 评估了10种常见抗生素的模型性能.

主要成果:

• 与SNP和k-mer模型相比,综合和基于基因的ML模型显示出更高的性能 (AUC 0.9311-0.9995).
• 获得的高AUC值 (≥0.99) 预测了对塞福西丁,四环素,甲基西林,胺素,红色素和克林达胺素的耐药性.
• 确定了非AMR基因,对多种抗生素模型中的耐药性预测有显著的贡献.

结论:

• ML模型可靠地预测了常见抗生素的*S. aureus*中的AMR表型.
• 识别出潜在的分子标记物可以帮助精准医学并降低医疗保健成本.
• 全基因组分析揭示了与AMR相关的新型标记物,加深了对抗药性机制的理解.