预测通过加热和 Campylobacter jejuni 的菌株变异性的减少行为,使用来自全基因组测序数据的氨基酸遗传学
1Division of Microbiology, National Institute of Health Sciences, Kawasaki, Kanagawa, 210-9501, Japan; Institute of Food Research, National Agriculture and Food Research Organization, Kannondai 2-1-12, Tsukuba, 305-8642, Japan; Japan Society for the Promotion of Science, 5-3-1 Kojimachi, Chiyoda-ku, Tokyo, Japan.
预测Campylobacter jejuni热失活对于食品安全至关重要. 使用全基因组测序数据的新型机器学习模型准确预测细菌行为和菌株变异性,改善微生物风险评估.
科学领域:
- 食品安全 食品安全
- 微生物学 微生物学
- 基因组学就是基因组学.
背景情况:
- 预测细菌行为和菌株变异性对于食品安全方面的定量微生物风险评估至关重要.
- 全基因组测序 (WGS) 数据为微生物耐热性提供了洞察力,但预测Campylobacter jejuni热失活仍然具有挑战性.
研究的目的:
- 开发一种使用WGS数据的机器学习模型,以预测C. jejuni在热失活期间的减少行为和菌株变异性.
- 利用氨基酸遗传信息来提高预测准确度.
主要方法:
- 开发了一种机器学习模型,使用38个完整的C. jejuni基因组和修改的Weibull模型在55°C的温度下进行热失活.
- 进行相关性分析以确定与热耐受性相关的基因.
- 从公共数据库中使用679个基因组估计的菌株变异性.
主要成果:
- 机器学习模型在预测C. jejuni热不活化时实现了0.83log的根平均平方误差.
- 菌株变异性显示出多式分布,不能用传统的单式模型来表示.
- 确定了与C. jejuni.热耐受性相关的潜在基因.
结论:
- 开发的机器学习模型使用WGS数据有效预测C. jejuni在热失活期间的减少行为和菌株变异性.
- 建议使用更广泛的基因组数据集来提高模型准确性和预测范围.
- 这些发现为通过基因组数据集成改善微生物风险评估提供了一条途径.
更多相关视频
09:44Characterization of a Pathogenic Escherichia coli Strain Derived from Oreochromis spp. Farms Using Whole-Genome Sequencing
Published on: December 23, 2022
07:15Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation
Published on: January 16, 2019
相关概念视频
Evolutionary Relationships through Genome Comparisons
Stringent Response in E. coli
Modern Molecular Taxonomy
