一种面向多菌种的抗生素耐药性二分类预测建模方法、系统及可读存储介质与流程
本发明涉及一种基于微生物基因组数据的抗生素耐药性二分类预测的机器学习建模方法,属于生物信息学与微生物基因组学的计算建模,具体涉及耐药表型数据与基因组序列数据的获取、多类型耐药相关特征的构建与筛选、以及通过机器学习与集成学习实现耐药/敏感(r/s)表型预测的建模方法、系统及计算机可读存储介质。
背景技术:
1、抗生素耐药性(antimicrobial resistance, amr)已成为全球公共卫生领域的重大威胁。世界卫生组织(who)已将其列为人类面临的十大公共卫生威胁之一,并预测到2050年,每年可能有多达1000万人因耐药菌感染而死亡。病原体对抗生素产生耐药性,会显著降低临床治疗效果,导致感染病程延长、并发症风险增加和患者死亡率上升,同时也迫使临床更广泛使用广谱或更高等级的抗菌药物,进一步加剧耐药性的传播与演变。然而,新型抗菌药物的研发速度远不及耐药性蔓延的速度,使得全球健康面临持续加剧的风险。在科研与监测实践中,亟需能够对大规模菌株样本进行快速、系统性分析的工具,以深入解析耐药机制、识别关键耐药标志物,并开展不同研究队列、不同物种或不同抗生素条件下的耐药性对比研究。
2、目前,耐药表型的判定主要依赖体外药敏实验,如最低抑菌浓度(mic)测定和纸片扩散法。上述方法结果可靠,但通常需要细菌培养和人工操作,耗时较长,难以满足大规模菌株队列的高通量分析需求。随着高通量测序技术普及与成本下降,公共数据库中已积累了大量药敏表型—基因组序列配对数据,为利用基因组信息预测耐药性并挖掘其分子机制提供了数据基础。
3、现有基因组耐药预测方法主要包括两类技术路线:其一为基于规则或数据库的方法,即通过比对已知耐药基因或典型突变位点进行推断。该类方法可解释性较强,但对未知机制、非典型突变、调控变化以及复杂背景依赖的耐药性覆盖有限,且对不同研究对象(不同菌种/不同抗生素/不同数据来源)的适配性不足。其二为机器学习方法,通过 k-mer、单核苷酸多态性(snp)、氨基酸突变以及基因存在/缺失等高维特征,从数据中学习基因型与表型之间的关联。该类方法具有更强的扩展性与机制发现潜力,但在实际研究中常面临特征维度极高、特征来源异质、数据处理链路复杂、结果复现与可追溯性不足等问题:例如,不同研究者可能选用不同的 k-mer 长度、变异调用策略、耐药基因数据库版本与泛基因组构建工具,导致特征定义不一致;同时,缺乏统一的特征筛选、建模与集成评估流程,也会造成模型性能波动、难以在不同项目间复用与比较。
4、此外,在多菌种研究场景下,研究者往往需要对不同菌种分别构建耐药预测模型或开展多队列对比分析,而非简单依赖单一跨菌种通用模型。由于不同菌种的基因组结构差异显著、耐药机制复杂多样,同一种抗生素在不同菌种中可能由不同耐药基因、靶点突变或移动遗传元件所介导。因此,更具可行性的技术需求在于:提供一套可复用、可配置、可追溯的通用耐药预测流程,能够针对任意指定菌种与抗生素组合,完成从配对数据获取、特征构建、特征筛选、模型训练与集成、到性能评估与关键特征输出的标准化建模,从而支撑科研中的机制探索与标志物筛选。另一方面,科研应用不仅要求获得较高的预测准确性,还强调对模型结果的可解释性与可验证性,期望输出可追溯的关键特征集合(如重要的 k-mer序列、核心 snp/氨基酸突变、耐药基因及泛基因组基因簇),以支持后续的实验验证与分子机制研究。因此,亟需一种能够整合多源基因组特征、实现标准化构建与稀疏化表示,并通过差异筛选与多模型集成学习完成耐药性二分类预测建模的通用方法与系统。该技术可在不同菌种与不同抗生素的研究任务中复用,提升耐药建模的效率、稳健性与可解释性,更好满足大规模科研分析及耐药标志物筛选的需求。
技术实现思路
1、本发明提出一种面向科研应用的抗生素耐药性(r/s)二分类预测建模通用流程,用于在大规模药敏表型-基因组序列配对数据中实现标准化的数据获取、多源耐药特征构建、特征筛选、机器学习训练与集成评估,并输出可追溯的模型文件与关键耐药相关特征集合,从而支撑耐药机制探索、不同研究队列/物种/抗生素条件下的对比分析以及耐药标志物筛选。
2、一种抗生素耐药性表型预测模型的构建方法,用于非治疗与诊断目的,由计算设备执行,包括以下步骤:
3、s1、针对目标菌种与目标抗生素的组合,获取多个属于所述目标菌种的菌株样本对所述目标抗生素的耐药表型数据以及与所述耐药表型数据对应的基因组序列数据,所述耐药表型数据包括耐药标签r和敏感标签s;
4、s2、对每个菌株样本的基因组序列进行k-mer频次统计,获得k-mer计数结果,按照k-mer在样本集中的检出率对k-mer进行过滤,并将过滤后的k-mer计数结果编码为样本×k-mer的k-mer稀疏矩阵块;
5、s3、以参考基因组序列及其注释文件为基础,对各菌株样本进行变异检测,汇总获得核心snp位点集合,并将所述核心snp位点处的核苷酸变化特征和/或由所述核苷酸变化特征映射得到的非同义氨基酸突变特征编码为突变稀疏矩阵块;
6、s4、对每个菌株样本的基因组序列进行结构化注释,基于注释结果检测耐药基因和/或耐药相关突变,生成样本×耐药基因和/或耐药相关突变的存在/缺失矩阵块;并对所述多个菌株样本进行泛基因组构建,生成样本×基因或基因簇的存在/缺失矩阵块;
7、s5、对所述k-mer稀疏矩阵块、突变稀疏矩阵块、存在/缺失矩阵块进行样本行索引对齐和特征列索引编码,仅存储取值非零或存在的样本—特征对应关系,将未存储的样本—特征对应关系在建模时赋零值,并将各类稀疏矩阵块按特征列合并,形成多源基因组特征稀疏矩阵;
8、s6、分别计算所述多源基因组特征稀疏矩阵中各特征在耐药样本组和敏感样本组中的检出率,所述检出率为目标特征在相应样本组中取值非零或被判定为存在的样本数量占该样本组总样本数量的比例,以两组检出率之差的绝对值作为特征区分度指标,并按照所述特征区分度指标筛选特征,得到筛选后的建模特征;
9、s7、基于所述筛选后的建模特征和所述耐药表型数据训练多个机器学习分类模型,并通过堆叠集成方法对所述多个机器学习分类模型进行集成,获得抗生素耐药性表型预测模型;
10、s8、对所述抗生素耐药性表型预测模型进行性能评估,并输出模型文件、特征字典和根据所述特征区分度指标和/或所述抗生素耐药性表型预测模型输出的特征重要性结果生成的重要特征列表。
11、当待处理数据中存在多个目标抗生素和/或多个目标菌种时,针对每一具有耐药表型数据与对应基因组序列数据的目标菌种—目标抗生素组合分别执行步骤s1至s8,以得到与相应目标菌种—目标抗生素组合对应的抗生素耐药性表型预测模型、特征字典和重要特征列表。
12、步骤s1中,在获取耐药表型数据和基因组序列数据之后,对所述耐药表型数据与基因组序列数据进行一致性预处理,所述预处理包括以下至少一种:
13、去除无法形成表型—基因组配对关系的表型记录或基因组序列文件、去除缺失耐药标签或不符合r/s二分类任务要求的样本、去除空序列文件、去除长度低于预设长度阈值的序列文件、去除经物种鉴定为非目标菌种的序列文件、统一fasta头信息、建立样本id与基因组文件路径的映射表、生成目标菌种—目标抗生素组合对应的样本—标签清单文件。
14、步骤s2中,所述k-mer的长度为11。
15、步骤s2中,所述检出率为某一k-mer在步骤s1所得菌株样本集中计数大于0的样本数量占样本总数量的比例;保留检出率大于1%且小于99%的k-mer。
16、步骤s2中,采用jellyfish工具进行k-mer频次统计,其中通过jellyfish count进行k-mer计数,通过jellyfish dump导出k-mer及其计数结果,并将导出的计数结果整理为包括样本标识、k-mer序列和计数值的长表,基于过滤后的k-mer建立k-mer列字典,并将所述长表中计数值大于0的记录编码为由样本行索引、k-mer列索引和计数值组成的三元组形式或压缩稀疏矩阵格式,以生成所述k-mer稀疏矩阵块。
17、步骤s5中,所述多源基因组特征稀疏矩阵通过如下方式形成:
18、根据目标菌种—目标抗生素组合对应的样本—标签清单文件确定样本行索引,使所述k-mer稀疏矩阵块、突变稀疏矩阵块和存在/缺失矩阵块具有相同的样本行顺序;
19、为每一类特征建立特征列索引,并为不同来源的特征设置特征类型标识,以区分k-mer特征、突变特征、耐药基因特征和泛基因组特征;
20、将每个菌株样本作为矩阵行,将所述k-mer、所述核心snp位点处的核苷酸变化特征和/或非同义氨基酸突变特征、所述耐药基因和/或耐药相关突变、以及所述泛基因组基因或基因簇作为矩阵列;
21、根据所述样本行索引和所述特征列索引生成样本行索引文件和特征列字典文件。
22、步骤s5中,对k-mer特征记录其计数值或存在值;
23、对核心snp位点处的核苷酸变化特征、氨基酸突变、耐药基因、耐药相关突变、泛基因组基因或基因簇记录存在/缺失二元值;
24、省略矩阵中的零值或缺失值,并将取值非零或存在的样本—特征对应关系存储为样本行索引、特征列索引和特征取值组成的三元组形式,或者存储为压缩稀疏行格式、压缩稀疏列格式或坐标列表格式中的一种;
25、并将各类稀疏矩阵块按列合并,得到所述多源基因组特征稀疏矩阵。
26、步骤s3中,采用snippy工具对各菌株样本相对于参考基因组序列进行比对与变异调用,并采用snippy-core模块汇总获得所述核心snp位点集合;
27、所述核心snp位点为在多个菌株样本中能够稳定覆盖且在样本间存在核苷酸差异的基因组位置;
28、并从snippy-core生成的核心比对结果中提取各菌株样本在所述核心snp位点处的核苷酸状态,根据参考碱基与样本碱基之间的差异确定所述核心snp位点处的核苷酸变化特征。
29、步骤s3中,所述注释文件为gff文件、gbk文件或gtf文件;
30、根据所述注释文件确定核心snp位点是否位于编码区,并依据所述编码区的链方向、阅读框和密码子位置判断所述核心snp位点处的核苷酸变化是否导致编码氨基酸变化;
31、将导致编码氨基酸变化的核心snp位点转换为非同义氨基酸突变特征,所述非同义氨基酸突变特征包括基因或蛋白标识、氨基酸位置以及参考氨基酸和替代氨基酸的信息。
32、步骤s4中,采用bakta工具对每个菌株样本的基因组序列进行结构化注释,获得基因预测结果和功能注释结果;
33、并基于所述结构化注释结果,采用amrfinderplus工具检测耐药基因和/或耐药相关突变,从而生成样本×耐药基因和/或耐药相关突变的存在/缺失矩阵块;
34、其中,以amrfinderplus输出的耐药基因名称、耐药基因等位型、耐药基因亚型或耐药相关突变标识中的至少一种作为特征列名称,对检测到相应耐药基因或耐药相关突变的菌株样本赋值为1,对未检测到相应耐药基因或耐药相关突变的菌株样本赋值为0。
35、步骤s4中,采用panaroo工具对多个菌株样本进行泛基因组构建,生成跨样本的基因或基因簇存在/缺失矩阵;
36、或者,采用ppanggolin工具对多个菌株样本进行泛基因组构建,生成跨样本的基因或基因簇存在/缺失矩阵;
37、其中,以所述结构化注释结果中的基因注释文件作为泛基因组构建的输入,将跨样本被聚类为同一基因簇或同源基因组的基因分配至同一特征列;当菌株样本包含相应基因或基因簇时赋值为1,当菌株样本不包含相应基因或基因簇时赋值为0。
38、步骤s5之后且步骤s6之前,将所述多个菌株样本划分为训练集和测试集;在每一次划分中,步骤s6中各特征的检出率和特征区分度指标仅基于训练集中的菌株样本计算,依据训练集筛选得到的建模特征用于训练集中的模型训练以及测试集中的性能评估。
39、所述训练集与测试集按照训练集:测试集=6:4的比例划分,并重复划分和评估10次,以获得重复抽样评估结果。
40、步骤s6中,所述特征区分度指标d按照如下公式计算:
41、d=|freq(r)-freq(s)|;
42、其中,freq(r)表示目标特征在耐药样本组中的检出率,freq(s)表示目标特征在敏感样本组中的检出率,所述目标特征包括k-mer特征、核心snp位点处的核苷酸变化特征、非同义氨基酸突变特征、耐药基因和/或耐药相关突变特征、泛基因组基因或基因簇特征中的至少一种;
43、按照d值由高到低对特征进行排序,并筛选d值最大的前1000个特征作为所述筛选后的建模特征。
44、步骤s7中,所述多个机器学习分类模型包括梯度提升模型、广义线性模型、深度学习模型和随机森林模型;所述堆叠集成方法为stacked ensemble方法,并将所述梯度提升模型、广义线性模型、深度学习模型和随机森林模型作为基模型进行集成。
45、所述多个机器学习分类模型在h2o机器学习框架中训练,所述梯度提升模型为gbm模型,所述广义线性模型为glm模型,所述深度学习模型为deeplearning模型,所述随机森林模型为randomforest模型;
46、所述stacked ensemble方法包括:获取各基模型对菌株样本的预测概率或分类输出,并将所述预测概率或分类输出作为二层学习器的输入,以训练得到所述抗生素耐药性表型预测模型。
47、步骤s8中,所述性能评估包括计算auc、accuracy、f1、sensitivity和specificity中的至少一种指标;当采用重复抽样评估时,输出各次重复抽样对应的性能指标以及所述性能指标的均值、标准差和/或取值范围。
48、步骤s8中,所述重要特征列表包括以下至少一种特征的信息:
49、k-mer序列、核心snp位点处的核苷酸变化特征、非同义氨基酸突变、耐药基因名称、耐药相关突变、泛基因组基因标识或基因簇标识;
50、其中,所述重要特征列表还包括特征类型、特征列索引、特征区分度指标d值、模型特征重要性得分、耐药样本组检出率和敏感样本组检出率中的至少一种。
51、针对同一目标菌种—目标抗生素组合,分别基于整合多源特征、仅k-mer特征、仅突变特征或仅基因特征训练候选模型,并根据测试集性能指标选择最优候选模型作为所述目标菌种—目标抗生素组合的交付模型;
52、其中,所述整合多源特征包括k-mer特征、核心snp位点处的核苷酸变化特征和/或非同义氨基酸突变特征、耐药基因和/或耐药相关突变特征、以及泛基因组基因或基因簇特征;
53、所述仅突变特征包括核心snp位点处的核苷酸变化特征和/或非同义氨基酸突变特征;
54、所述仅基因特征包括耐药基因和/或耐药相关突变特征、以及泛基因组基因或基因簇特征中的至少一种。
55、一种抗生素耐药性表型预测方法,由计算设备执行,包括:
56、获取待测菌株的基因组序列以及待预测的目标菌种—目标抗生素组合;
57、调用由所述方法构建得到的与所述目标菌种—目标抗生素组合对应的抗生素耐药性表型预测模型,以及训练阶段输出的特征字典和训练阶段参数;
58、按照与训练阶段一致的特征构建方式和训练阶段参数,对所述待测菌株的基因组序列构建k-mer特征、突变特征、耐药基因特征和/或泛基因组基因存在性特征;
59、根据训练阶段输出的特征字典对所述待测菌株的特征进行列索引对齐,仅保留所述特征字典中包含的特征作为模型输入特征,对所述特征字典中未在待测菌株中检出的特征赋零值,并忽略或另行记录未包含于所述特征字典中的额外特征,形成待测菌株的输入特征向量或稀疏矩阵;
60、将所述输入特征向量或稀疏矩阵输入所述抗生素耐药性表型预测模型;
61、输出所述待测菌株对目标抗生素的耐药或敏感预测结果,和/或输出所述待测菌株属于耐药标签r或敏感标签s的预测概率。
62、一种抗生素耐药相关标志物筛选方法,由计算设备执行,包括:
63、采用任一项所述的方法构建抗生素耐药性表型预测模型;
64、根据所述特征区分度指标、所述抗生素耐药性表型预测模型输出的特征重要性结果,各重复抽样中目标特征被筛选或被判定为重要特征的频次,或其组合,对建模特征进行排序;
65、结合所述特征字典,将排序满足预设条件的k-mer序列、核心snp位点处的核苷酸变化特征、非同义氨基酸突变、耐药基因、耐药相关突变、泛基因组基因或基因簇确定为候选耐药相关标志物;
66、输出候选耐药相关标志物列表,所述候选耐药相关标志物列表包括目标菌种、目标抗生素、特征类型、特征标识、特征区分度指标、模型特征重要性得分、耐药样本组检出率和敏感样本组检出率中的至少一种。
67、一种抗生素耐药性表型预测模型的构建系统,包括:
68、数据获取模块,用于针对目标菌种与目标抗生素的组合,获取多个属于所述目标菌种的菌株样本对所述目标抗生素的耐药表型数据以及对应的基因组序列数据,并生成样本—标签清单文件;
69、k-mer特征构建模块,用于对每个菌株样本的基因组序列进行k-mer频次统计、检出率过滤以及稀疏矩阵编码;
70、突变特征构建模块,用于基于参考基因组序列及其注释文件进行变异检测,获得核心snp位点集合,并构建核心snp位点处的核苷酸变化特征和/或非同义氨基酸突变特征的稀疏矩阵块;
71、基因特征构建模块,用于进行结构化基因组注释、耐药基因和/或耐药相关突变检测以及泛基因组构建,并生成存在/缺失矩阵块;
72、稀疏矩阵处理模块,用于对不同来源的矩阵块进行样本行索引对齐、特征列索引编码和按列合并,仅存储取值非零或存在的样本—特征对应关系,形成多源基因组特征稀疏矩阵;
73、特征筛选模块,用于计算各特征在耐药样本组和敏感样本组中的检出率差异,并按照检出率差异筛选建模特征;
74、模型训练与集成模块,用于基于筛选后的建模特征训练多个机器学习分类模型,并通过堆叠集成方法获得抗生素耐药性表型预测模型;
75、候选模型选择模块,用于在整合多源特征、仅k-mer特征、仅突变特征或仅基因特征对应的候选模型之间,根据测试集性能指标选择交付模型;
76、评估输出模块,用于对所述抗生素耐药性表型预测模型进行性能评估,并输出模型文件、特征字典和重要特征列表;
77、其中,所述构建系统被配置为执行权利要求1至20任一项所述的方法。
78、一种电子设备,包括一个或多个处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序被所述一个或多个处理器执行时实现任一项所述的方法。
79、一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现任一项所述的方法。
80、本发明的有益效果是:
81、提供一套面向不同菌种与不同抗生素任务均可配置复用的标准化建模流程,降低不同项目间方法差异带来的不可比性;
82、同时引入k-mer、核心snp/氨基酸突变、耐药基因与泛基因组基因存在性等多源特征,增强对不同耐药机制(获得性基因、靶点突变及基因组背景差异等)的表征能力;
83、通过检出率过滤、稀疏矩阵编码与特征筛选显著降低维度与计算成本,并输出样本顺序与特征字典,便于科研复现与追溯;
84、通过多种机器学习模型训练并进行堆叠集成,提升预测性能与稳定性,降低单一模型偏倚;
85、输出重要特征列表及其对应的特征类型与注释信息,为耐药机制探索、标志物筛选与后续实验验证提供候选集合与依据。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com