使用可解释的机器学习预测大肠杆菌O157:H7感染的临床结果

科学领域:

• 微生物学 微生物学
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 滋果毒素产生的大肠杆菌 (STEC) O157:H7是一种显著的动物性病原体,引起严重的胃肠道疾病和血溶性尿素综合征.
• 在STEC O157:H7感染中,疾病的严重程度并不能完全由Shiga毒素亚型单独解释,这表明其他基因组因素会影响结果.

研究的目的:

• 将可解释的机器学习 (ML) 应用于STEC O157:H7分离物的全基因组测序数据.
• 预测患者的临床结果,并确定与严重疾病相关的基因组特征.
• 为了加强对STEC O157:H7感染的风险评估.

主要方法:

• 使用随机森林和极端梯度增强 (XGBoost) ML模型分析了来自1,030个STEC O157:H7分离物的全基因组测序数据.
• 采用了基因组信息交叉验证策略,以确保模型的稳定性和通用性.
• 进行特征重要性分析,以确定临床结果的关键基因组预测因素.

主要成果:

• 极端梯度提升在预测严重结果方面表现出卓越的表现,特别是在少数群体和低风险血统中.
• 菌体编码的元素,新型基因间调节剂和已建立的毒性因子被确定为重要的预测因子.
• 与小RNA和应激反应通路相关的基因组区域在与严重疾病相关的隔离物中得到显著丰富.

结论:

• 可解释的ML模型可以通过捕获复杂的基因组签名来有效预测严重的STEC O157:H7感染.
• 这些模型为完善风险评估提供了有价值的工具,并使得高风险单独物种的早期发现成为可能.
• 这些发现支持针对性的公共卫生干预措施,以减轻由STEC O157:H7.7引起的严重疾病结果.