整合机器学习方法与基因组数据预测抗结核药物耐药性:一个系统的审查和元分析

科学领域:

• 基因组医学是基因组医学.
• 传染病流行病学 传染病流行病学
• 计算生物学 计算生物学

背景情况:

• 结核病 (TB) 是全球主要的传染性死亡原因之一.
• 耐药结核病对全球控制工作构成重大威胁.
• 准确和快速预测耐药性对于有效的结核病治疗至关重要.

研究的目的:

• 评估机器学习 (ML) 算法的诊断性能,以预测表型对一线抗结核药物的耐药性.
• 评估在基因组数据上训练的ML模型,以预测对利芬素,异亚,乙胺醇和链杆菌素的耐药性.

主要方法:

• 在四个数据库中系统地搜索使用ML进行全基因组或向测序的研究.
• 随机效应元分析 (REML) 聚合灵敏度,特异性和曲线下面面积 (AUC).
• 使用漏斗图和Eggers/Begg的测试与修剪和填充调整的出版偏差评估.

主要成果:

• 利芬素 (灵敏度0.90,特异性0.95) 和异化 (灵敏度0.88,特异性0.93) 的综合性能最高.
• 尽管AUC值是合理的,但乙醇和菌素的敏感性较低.
• 经过修剪和填充计算后调整后的聚合估计约为AUC的0.89,灵敏度的0.70和特异性的0.93.

结论:

• 使用基因组数据的ML模型在预测一线结核病耐药性方面表现出高准确性,特别是对利芬素和异化.
• 敏感性因不同药物和ML模型类型而异.
• 在临床实施这些ML模型之前,需要进行标准化的外部验证和校准.