Machine Learning Assisted MALDI Mass Spectrometry for Rapid Antimicrobial Resistance Prediction in Clinicals
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.
Notice bibliographique
Résumé
Antimicrobial susceptibility testing (AST) plays a critical role in assessing the resistance of individual microbial isolates and determining appropriate antimicrobial therapeutics in a timely manner. However, conventional AST normally takes up to 72 h for obtaining the results. In healthcare facilities, the global distribution of vancomycin-resistant Enterococcus fecium (VRE) infections underscores the importance of rapidly determining VRE isolates. Here, we developed an integrated antimicrobial resistance (AMR) screening strategy by combining matrix-assisted laser desorption ionization mass spectrometry (MALDI-MS) with machine learning to rapidly predict VRE from clinical samples. Over 400 VRE and vancomycin-susceptible E. faecium (VSE) isolates were analyzed using MALDI-MS at different culture times, and a comprehensive dataset comprising 2388 mass spectra was generated. Algorithms including the support vector machine (SVM), SVM with L1-norm, logistic regression, and multilayer perceptron (MLP) were utilized to train the classification model. Validation on a panel of clinical samples (external patients) resulted in a prediction accuracy of 78.07%, 80.26%, 78.95%, and 80.54% for each algorithm, respectively, all with an AUROC above 0.80. Furthermore, a total of 33 mass regions were recognized as influential features and elucidated, contributing to the differences between VRE and VSE through the Shapley value and accuracy, while tandem mass spectrometry was employed to identify the specific peaks among them. Certain ribosomal proteins, such as A0A133N352 and R2Q455, were tentatively identified. Overall, the integration of machine learning with MALDI-MS has enabled the rapid determination of bacterial antibiotic resistance, greatly expediting the usage of appropriate antibiotics.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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