ASAP-ML:使用机器学习方法对抗生素敏感性和抗生素预测

科学领域:

• 基因组医学是基因组医学.
• 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) 是一个日益严重的全球健康危机.
• 病原体耐药性机制迅速发展,需要先进的检测方法.
• 基因组技术现在为了解AMR提供了前所未有的能力.

研究的目的:

• 探索机器学习与基因组数据的使用,以预测抗生素耐药性.
• 提出和评估一种多模型方法,即ASAP (抗生素敏感性和抗生素预测),用于生成抗生素图.
• 为了比较十种不同的机器学习模型的预测性能.

主要方法:

• 基因组数据预处理使用n-gram编码进行特征提取.
• 实施和评估十个机器学习模型:CNN,最近邻居,随机森林,XGBoost,CatBoost,天真贝叶斯,SVM,轻GBM,梯度提升和物流回归.
• 使用准确性,回忆力,精度和F1分数进行性能评估.

主要成果:

• 机器学习模型实现了抗生素耐药性的高预测准确度,达到0.99.
• 在所有模型中,宏观平均召回超过了0.90.
• XGBoost以0.99准确度展示了最高的性能,而Naive Bayes则显示了0.89准确度.

结论:

• 机器学习与基因组序列相结合,是预测AMR的强大工具.
• 该ASAP方法提供了一个有希望的替代手动抗生素制造的替代方案.
• 这种方法可以显著帮助医疗保健专业人员做出明智的,不那么经验性的抗生素处方决定.