由细菌种群结构驱动的偏差采样混了机器学习对抗菌素耐药性的预测
Yanying Yu1,2, Nicole E Wheeler3, Lars Barquist1,4,5
1Helmholtz Institute for RNA-based Infection Research (HIRI), Helmholtz Centre for Infection Research (HZI), Würzburg, Germany.
用于预测抗微生物耐药性 (AMR) 的机器学习模型在受过偏差细菌基因组数据的训练时会失败. 解决人口结构对于准确的抗菌耐药性预测和有效的监测至关重要.
科学领域:
- 基因组学就是基因组学.
- 机器学习 机器学习
- 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) 是一个重大的全球健康威胁.
- 基因组测序为机器学习 (ML) 产生了大量数据,以预测AMR.
- 当前的ML应用经常忽视细菌群体结构和采样偏差.
研究的目的:
- 调查混样本结构对ML模型对AMR预测的影响.
- 评估 ML 模型的性能,这些模型是根据有偏见的,基因结构化的数据进行训练的.
- 确定影响AMR监测ML模型准确性的因素.
主要方法:
- 分析了来自五种细菌病原体的24000多个全基因组序列和AMR表型.
- 使用病理训练数据评估ML模型的性能,在这种情况下,耐药性与基因组学混为一谈.
- 对6740个ML模型进行全面分析,以确定物种和药物特异性的影响.
主要成果:
- 在基因结构数据上训练的ML模型表现不佳.
- 增加培训样本规模并没有改善模型性能.
- 模型的准确性因细菌物种和耐药性而有显著差异.
结论:
- 基因组数据中的现实抽样偏差显著限制了目前用于AMR预测的ML方法的性能.
- 了解人口结构的方法和多样化的数据集对于改善抗药性耐药性监测至关重要.
- 如果不考虑采样偏差,可能导致不可靠的抗菌耐药性预测.
更多相关视频
08:58Isolation and Identification of Waterborne Antibiotic-Resistant Bacteria and Molecular Characterization of their Antibiotic Resistance Genes
Published on: March 3, 2023
06:54Author Spotlight: Understanding and Detecting Environmental Antimicrobial Resistance by Combining Culture-Based Techniques and Genomics
Published on: July 19, 2024
相关概念视频
Antibiotic Selection
Development of Antibiotic Resistance
Modern Molecular Taxonomy
Mechanistic Models: Compartment Models in Individual and Population Analysis
