基于转录基因组的机器学习模型用于预测Pseudomonas aeruginosa中的抗菌耐药性

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:

• 抗菌素耐药性 (AMR) 构成了全球健康的重大威胁,需要先进的检测方法.
• Pseudomonas aeruginosa 是一个主要的病原体,以其适应性和对多药物耐药性的贡献而闻名.

研究的目的:

• 评估基于转录组的机器学习 (ML) 模型在P. aeruginosa.中预测AMR的有效性.
• 识别与抗生素耐药性表型相关的基因表达特征.

主要方法:

• 分析了来自P. aeruginosa的414个临床分离体的转录形状.
• 使用ML算法来预测对塞夫塔齐迪姆,西普罗夫洛克萨,美罗和托布拉米的耐药性.
• 对于每种抗生素,都确定了不同的和共享的转录组签名.

主要成果:

• ML模型显示AMR的高预测精度,托布拉米辛模型达到98.8%的精度和100%的灵敏度.
• 生物膜形成,膜运输和毒性等特定途径被富含耐药分离物.
• 在所有测试的抗生素中,一个由10个基因和10个mRNA组成的核心组被一致地放松了管制,这表明共享的耐药性机制.

结论:

• 基于转录基因的签名显示出开发P. aeruginosa中AMR的机制引导诊断试验的前景.
• 基于转录组的ML模型是预测抗菌素耐药性的有效工具.
• 建议在独立队列中进一步验证.