机器学习方法用于识别标记物和预测大肠杆菌中的抗菌素耐药性

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 致病性大肠杆菌中的抗菌素耐药性 (AMR) 造成了严重的医疗负担,导致长时间住院和增加成本.
• 全基因组测序现在是分析大肠杆菌疫情和监测的标准工具.
• 与传统的实验室方法相比,in silico方法为识别与抗菌素耐药性相关的基因组特征提供了潜在的更快,更具成本效益的方法.

研究的目的:

• 开发和评估机器学习 (ML) 分类模型,以利用全基因组测序数据预测大肠杆菌中的抗菌素耐药性 (AMR).
• 识别与抗菌素耐药性相关的新型基因组标记物.
• 将ML模型的性能与用于AMR预测的既定数据库方法进行比较.

主要方法:

• 收集和分析了4300个*大肠杆菌*全基因组序列,以及34种抗微生物药物的相关实验室衍生敏感,中间或耐药 (SIR) 数据.
• 训练了三个ML模型梯度增强的决策树,支持向量机 (SVM) 和人工神经网络 (ANN) 使用11个长度基因组子序列 (k-mers).
• 使用训练有素ML模型对每个抗微生物分离物进行SIR分类,并将性能与AMRFinderPlus和ResFinder进行比较.

主要成果:

• 在初级数据集上,ML模型实现了高平均准确率:93.6% (XGBoost),92.7% (SVM) 和92.8% (ANN),显著超过数据库方法 (AMRFinderPlus:63.9%,ResFinder:75.7%).
• 在独立的数据集上,ML模型表现出强的性能 (平均准确度:81.6%XGB,79.9%SVM,81.2%ANN),尽管ResFinder在一个数据集上实现了94.7%.
• 机器学习模型展示了识别新型基因组耐药性标记的能力,这是相对于数据库方法的关键优势.

结论:

• 使用全基因组序列k-mer分析的机器学习模型是预测大肠杆菌抗菌药物耐药性的有效工具.
• 这些ML模型为AMR监测和研究的传统数据库方法提供了一个有希望的,可能更快,更便宜的替代方案.
• 机器学习模型发现新型耐药性标记物的能力提高了它们在促进我们对抗菌素耐药性的理解和控制方面的有用性.