
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于插入序列元件的机器学习提升肺炎克雷伯菌抗菌素抗性预测及其IS-ARG共现模式分析
《BMC Microbiology》:Prediction of antimicrobial resistance of Klebsiella pneumoniae through machine learning and revelation of significant role of insertion sequence elements
【字体: 大 中 小 】 时间:2026年10月10日 来源:BMC Microbiology 5.4
编辑推荐:
摘要背景肺炎克雷伯菌(K. pneumoniae)因多重耐药性(MDR)而带来严重的治疗挑战。虽然抗生素抗性基因(ARGs)是主要决定因素,但其表达和表型影响受可移动遗传元件(如插入序列(IS)元件)的调节。然而,在肺炎克雷伯菌中,IS元件对抗菌素抗性(AMR)预测的贡献在很
肺炎克雷伯菌(K. pneumoniae)因多重耐药性(MDR)而带来严重的治疗挑战。虽然抗生素抗性基因(ARGs)是主要决定因素,但其表达和表型影响受可移动遗传元件(如插入序列(IS)元件)的调节。然而,在肺炎克雷伯菌中,IS元件对抗菌素抗性(AMR)预测的贡献在很大程度上仍未被探索。本研究旨在系统评估将IS元件作为基因组特征整合是否能提高基于机器学习的肺炎克雷伯菌AMR预测,并表征与MDR表型相关的IS-ARG共现模式。
我们从PATRIC数据库(2004–2024年)检索了2732株肺炎克雷伯菌分离株的基因组序列和相应的抗菌药物敏感性表型。我们使用六种机器学习(ML)算法评估了ARGs、IS元件、IS-ARG配对以及筛选的关键特征集,以预测15种抗生素的耐药表型。使用准确率、召回率、特异性、阳性预测值(PPV)、F1分数和受试者工作特征(ROC)曲线下面积(AUC)评估模型性能。采用SHAP分析解释特征贡献,并检查关键特征集中ARGs和IS元件的富集情况。基于IS-ARG共现模式进行层次聚类,以探索与MDR谱的关联。
随机森林(RF)、支持向量机(SVM)和梯度提升(GB)表现优于其他算法,在所有抗生素上的平均准确率分别为88.11%、87.89%和87.69%。关键特征集产生了最高的平均准确率89.59%,其中GB对环丙沙星的AUC达到99.11%,对庆大霉素的AUC达到98.23%。使用ARGs的模型比使用IS元件的模型表现出更优越的整体性能,平均准确率为88.46%,而IS元件模型为85.90%。使用ARGs的RF达到了最高的单抗生素准确率96.25%(环丙沙星),而IS元件对阿米卡星的准确率为93.42%,超过了ARGs。IS元件在13种药物的关键特征集中显著富集(倍变?≥?2,P?<?0.05),RF和SHAP分析鉴定了特定的IS元件(如IS1380、IS5、IS1182)作为关键预测因子。IS-ARG共现分析揭示了314对,其中IS6-blaSHV配对占35.99%。层次聚类将分离株分为七个具有不同MDR谱的簇。值得注意的是,IS21-blaKPC关联与对八种抗菌药物的耐药性相关,而特定IS-ARG配对的缺失与对头孢他啶、环丙沙星和左氧氟沙星的耐药性相关。
本研究确立了在肺炎克雷伯菌中利用IS元件作为基因组特征可提高ML模型对特定抗生素预测准确度的潜力,RF、SVM和GB在多个特征集上表现出优越性能。IS元件作为特定耐药表型的关键预测因子,超出了仅使用ARGs的范围,且其与ARGs的共现与MDR表型相关。鉴定IS21-blaKPC作为对八种抗生素耐药的标志物以及将分离株分层为临床相关簇,为基因组监测提供了候选靶标。这些发现表明,可移动遗传元件提供了抗生素特异性的预测改进,并通过揭示耐药基因传播的可移动遗传背景增强了生物学可解释性。
肺炎克雷伯菌(K. pneumoniae)因多重耐药性(MDR)而带来严重的治疗挑战。虽然抗生素抗性基因(ARGs)是主要决定因素,但其表达和表型影响受可移动遗传元件(如插入序列(IS)元件)的调节。然而,在肺炎克雷伯菌中,IS元件对抗菌素抗性(AMR)预测的贡献在很大程度上仍未被探索。本研究旨在系统评估将IS元件作为基因组特征整合是否能提高基于机器学习的肺炎克雷伯菌AMR预测,并表征与MDR表型相关的IS-ARG共现模式。
我们从PATRIC数据库(2004–2024年)检索了2732株肺炎克雷伯菌分离株的基因组序列和相应的抗菌药物敏感性表型。我们使用六种机器学习(ML)算法评估了ARGs、IS元件、IS-ARG配对以及筛选的关键特征集,以预测15种抗生素的耐药表型。使用准确率、召回率、特异性、阳性预测值(PPV)、F1分数和受试者工作特征(ROC)曲线下面积(AUC)评估模型性能。采用SHAP分析解释特征贡献,并检查关键特征集中ARGs和IS元件的富集情况。基于IS-ARG共现模式进行层次聚类,以探索与MDR谱的关联。
随机森林(RF)、支持向量机(SVM)和梯度提升(GB)表现优于其他算法,在所有抗生素上的平均准确率分别为88.11%、87.89%和87.69%。关键特征集产生了最高的平均准确率89.59%,其中GB对环丙沙星的AUC达到99.11%,对庆大霉素的AUC达到98.23%。使用ARGs的模型比使用IS元件的模型表现出更优越的整体性能,平均准确率为88.46%,而IS元件模型为85.90%。使用ARGs的RF达到了最高的单抗生素准确率96.25%(环丙沙星),而IS元件对阿米卡星的准确率为93.42%,超过了ARGs。IS元件在13种药物的关键特征集中显著富集(倍变?≥?2,P?<?0.05),RF和SHAP分析鉴定了特定的IS元件(如IS1380、IS5、IS1182)作为关键预测因子。IS-ARG共现分析揭示了314对,其中IS6-blaSHV配对占35.99%。层次聚类将分离株分为七个具有不同MDR谱的簇。值得注意的是,IS21-blaKPC关联与对八种抗菌药物的耐药性相关,而特定IS-ARG配对的缺失与对头孢他啶、环丙沙星和左氧氟沙星的耐药性相关。
本研究确立了在肺炎克雷伯菌中利用IS元件作为基因组特征可提高ML模型对特定抗生素预测准确度的潜力,RF、SVM和GB在多个特征集上表现出优越性能。IS元件作为特定耐药表型的关键预测因子,超出了仅使用ARGs的范围,且其与ARGs的共现与MDR表型相关。鉴定IS21-blaKPC作为对八种抗生素耐药的标志物以及将分离株分层为临床相关簇,为基因组监测提供了候选靶标。这些发现表明,可移动遗传元件提供了抗生素特异性的预测改进,并通过揭示耐药基因传播的可移动遗传背景增强了生物学可解释性。