从高水平指标-基于图形的机器学习和贝叶斯方法的肉生产链中的Campylobacter中抗菌素耐药性的早期预警系统

科学领域:

• 环境科学环境科学
• 微生物学 微生物学
• 公共卫生 公共卫生

背景情况:

• 抗菌素耐药性 (AMR) 是一个日益增长的公共卫生威胁.
• 现有的抗菌耐药性模型往往忽视了农业系统的相互联系.
• 坎比洛巴克特 (Campylobacter jejuni) 是家禽中一种主要的食源性病原体,常常会对西普洛素产生耐药性.

研究的目的:

• 开发一个概率框架,用于识别AMR的高风险环境条件.
• 调查农业系统因素对Campylobacter jejuni.抗素耐药性的影响.
• 利用贝叶斯的方法来建模驱动AMR的复杂相互作用.

主要方法:

• 来自国际数据库的综合和分离数据.
• 采用基于图形的机器学习,包括XGBoost,SVC,通用化天真贝叶斯 (GNB) 和贝叶斯网络 (BN).
• 用GNB来选择特征,用BN来发现环境因素和阻力之间的条件依赖关系.

主要成果:

• 农药,土地利用和降雨被确定为影响耐药性的关键特征.
• 贝叶斯网络揭示了上下文依赖的阻力概率.
• 降水作为一个关键的效果修饰剂,改变基于土地使用和湿度水平的阻力风险.

结论:

• 贝叶斯网络有效地模拟复杂的,非线性关系驱动AMR.
• 禽类对西普罗夫洛克萨的耐药性是全系统相互作用的结果,而不是孤立的因素.
• 该框架支持针对家禽生产中针对性抗微生物药物管理的早期预警系统.