MétaCan
Menu
Retour à la cohorte
Enregistrement W2990312921 · doi:10.12688/wellcomeopenres.15603.1

Antibiotic resistance prediction for Mycobacterium tuberculosis from genome sequence data with Mykrobe

2019· preprint· en· W2990312921 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueWellcome Open Research · 2019
Typepreprint
Langueen
DomaineMedicine
ThématiqueTuberculosis Research and Epidemiology
Établissements canadiensBC Centre for Disease ControlUniversité de MontréalCentre Hospitalier de l’Université de Montréal
Organismes subventionnairesMedical Research CouncilWellcomeRoyal SocietyWellcome TrustNational Institute of Environmental Health SciencesNational Institute for Health and Care ResearchBill and Melinda Gates Foundation
Mots-clésMycobacterium tuberculosisWhole genome sequencingPyrazinamideGeneticsTuberculosisBiologyComputational biologyGenomeMedicineGene

Résumé

récupéré en direct d'OpenAlex

<ns5:p> Two billion people are infected with <ns5:italic>Mycobacterium tuberculosis</ns5:italic> , leading to 10 million new cases of active tuberculosis and 1.5 million deaths annually. Universal access to drug susceptibility testing (DST) has become a World Health Organization priority. We previously developed a software tool, <ns5:italic>Mykrobe predictor</ns5:italic> , which provided offline species identification and drug resistance predictions for <ns5:italic>M. tuberculosis</ns5:italic> from whole genome sequencing (WGS) data. Performance was insufficient to support the use of WGS as an alternative to conventional phenotype-based DST, due to mutation catalogue limitations. </ns5:p> <ns5:p/> <ns5:p> Here we present a new tool, <ns5:italic>Mykrobe</ns5:italic> , which provides the same functionality based on a new software implementation. Improvements include i) an updated mutation catalogue giving greater sensitivity to detect pyrazinamide resistance, ii) support for user-defined resistance catalogues, iii) improved identification of non-tuberculous mycobacterial species, and iv) an updated statistical model for Oxford Nanopore Technologies sequencing data. <ns5:italic>Mykrobe</ns5:italic> is released under MIT license at https://github.com/mykrobe-tools/mykrobe. We incorporate mutation catalogues from the CRyPTIC consortium et al. (2018) and from Walker et al. (2015), and make improvements based on performance on an initial set of 3206 and an independent set of 5845 <ns5:italic>M. tuberculosis</ns5:italic> Illumina sequences. To give estimates of error rates, we use a prospectively collected dataset of 4362 <ns5:italic>M. tuberculosis isolates</ns5:italic> . Using culture based DST as the reference, we estimate <ns5:italic>Mykrobe</ns5:italic> to be 100%, 95%, 82%, 99% sensitive and 99%, 100%, 99%, 99% specific for rifampicin, isoniazid, pyrazinamide and ethambutol resistance prediction respectively. We benchmark against four other tools on 10207 (=5845+4362) samples, and also show that <ns5:italic>Mykrobe</ns5:italic> gives concordant results with nanopore data. </ns5:p> <ns5:p/> <ns5:p> We measure the ability of <ns5:italic>Mykrobe</ns5:italic> -based DST to guide personalized therapeutic regimen design in the context of complex drug susceptibility profiles, showing 94% concordance of implied regimen with that driven by phenotypic DST, higher than all other benchmarked tools. </ns5:p>

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Science ouverte, Intégrité de la recherche
Catégories consensuellesScience ouverte
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,170
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0050,011
Intégrité de la recherche0,0010,004
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,243
Tête enseignante GPT0,436
Écart entre enseignants0,193 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle