Liigu sisu juurde

Täpsustamisstatistika ja esialgse eelarveprojekti liitumiskoodid on esitatud tabelis 1. Solvaadivaba energia sisaldab elektrostaatilisi ja mittepolaarseid solvaatumiskomponente, kus viimased korrigeeriti ref.

Eristatavate antibiootikumiresistentsuse geenide identifitseerimine keskkonnaresistentside hulgas, kasutades äärmiselt juhuslikku puu algoritmi Taust Ehitatud ja loodusliku keskkonna vastastikused seosed võivad olla kanalid antibiootikumiresistentsuse geenide ARG vohamiseks ja levitamiseks.

Selline lähenemisviis aitab tuvastada ARG levikut mõjutavaid tegureid, hõlbustab ARG-de suhtelise võrdluse väljatöötamist, eristades erinevaid keskkondi, ja sillutab teed keskkondade järjestamisele, lähtudes nende tõenäosusest aidata kaasa kliiniliselt olulise antibiootikumiresistentsuse levikule. Siin sõnastame ja demonstreerime lähenemisviisi, kasutades äärmiselt juhusliku valikuga puu ERT algoritmi koos Bayes'i optimeerimistehnikaga, et jäädvustada keskkonnaproovides ARG varieeruvus ja tuvastada diskrimineerivad ARG-d.

ERT potentsiaali diskrimineerivate ARG-de tuvastamisel hinnati kõigepealt siliko-metagenoomsete andmekogumite abil simuleeritud metagenoomse Illumina sekveneerimise andmed teadaoleva varieeruvusega. Seejärel demonstreeriti ERT rakendamist analüüside abil, kasutades avalikult kättesaadavaid ja asutusesiseseid metagenoomilisi andmekogumeid, Ravimite optimeerimisstrateegia variatsioonid on seotud 1 erinevate vee-elupaikadega nt jõgi, reovesi, jõeveekogu ja piimatootmisettevõtete heitvesiet võrrelda vastupidavust erinevate keskkondade ja 2 Ravimite optimeerimisstrateegia variatsioonid jõeproovid st Amazonase, Kalami ja Cam jõedet võrrelda sarnaste keskkondade vastupidavust.

Tulemused Leiti, Kvalifitseerimata aktsiaoptsioonid ja Amt selle lähenemisviisi abil saab silico andmekogudes hõlpsalt tuvastada diskrimineerivaid ARG-sid. Samuti ei leitud, et see oleks kallutatud suure suhtelise arvukusega ARG-de suhtes, mis on funktsioonide projekteerimismeetodite tavaline piirang, ja selle asemel jäädvustati ainult neid ARG-sid, mis kutsusid esile olulised profiilid.

Tervisedenduse konverents 2017 – Argo Aug – Ravimid ja meditsiiniseadmed

Avalikult kättesaadavate metagenoomiliste andmekogumite analüüsid näitasid lisaks, et ERT-lähenemisviis suudab tõhusalt eristada tegeliku keskkonna keskkonnaproove ja tuvastada diskrimineerivad ARG-id eelnevalt määratletud kategoriseerimisskeemide alusel. Täpsemalt saab huvipakkuvate tegurite põhjal tuvastada diskrimineerivaid ARG-sid erinevate keskkondi esindavate proovide vahel. Metoodika võib osutuda eriti kasulikuks vahendiks ARG-i jälgimisel ja antibiootikumiresistentsuse leviku leevendamise strateegiate tõhususe hindamisel.

Pythoni paketti majutatakse Giti hoidlas: Taust Nagu tunnistasid Maailma Terviseorganisatsioon WHO ning muud riiklikud ja rahvusvahelised organisatsioonid, kujutab antibiootikumiresistentsus tõsist ohtu rahvatervisele ja takistab antibiootikumide kasutamist tõhusal nakkushaiguste ravis [1, 2].

1. Sissejuhatus

Märkimisväärseid jõupingutusi on tehtud resistentsuse levikut soodustavate tegurite ja selle kontrollimise võimaluste mõistmiseks. Kui antibiootikumiresistentsus on tõenäoliselt eksisteerinud pärast bakterite ja nende konkurentide esmakordset väljakujunemist, siis antibiootikumide väljatöötamine, masstootmine ja laialdane kasutamine inimestel ja kariloomadel on kiirendanud antibiootikumiresistentsuse kujunemist, tuues kaasa uusi tüüpe, suurema arvukuse ja paranenud antibiootikumiresistentsuse geenide ARG horisontaalne ülekandmine mikroobipopulatsioonide vahel.

Nimelt võivad antibiootikumide jääkide ja muude kaasvaliku tegurite, näiteks metallide ja pindaktiivsete ainete poolt avaldatud selektiivsed rõhud ARG-de valiku ja leviku toetamiseks ja süvendamiseks [4, 5]. Suurimat muret tekitab ARG-de vedu kliiniliste patogeenide poolt, mis ohustab tõsiselt antibiootikumide tõhusat kasutamist inim- ja veterinaarravimitena [6, 7]. Patogeensed bakterid on dokumenteeritud, et nad suudavad saada mittepatogeensetest bakteritest ARG-sid [8].

SEO tegevused, mis võivad hävitada või tuua hea tulemuse

Täpsemalt, teadaolevalt sisaldavad pinnas ja muud looduslikud keskkonnad rikkalikku mikroorganismide mitmekesisust ning neid on kirjeldatud kui ARG-de reservuaari ja allikat [9, 10].

Soodsates tingimustes võivad need ARG-d horisontaalse geeniülekande kaudu üle kanduda patogeensetesse bakteritesse, laiendades seeläbi resistentsust uute bakterite suhtes [11].

Ravimite optimeerimisstrateegia variatsioonid

Selliseid protsesse on äärmiselt keeruline, kui mitte võimatu reaalajas jälgida, ja seetõttu on vaja välja töötada vahendid, et süstemaatiliselt ja objektiivselt hinnata, kuidas inimtekkelised mõjud, näiteks resistentsete bakterite, ARG-de ja selektiivsete ainete sisend, ühiselt kujundavad mõjutatud keskkondade resistomid st ARG-de täielik komplekt süsteemis [12]. Mitmete uuringute kohaselt on ARG-de võtmekanaliteks veekeskkonnad, kus inimtekkelised sisendid interakteeruvad resideeruvate mikroobidega, tagasisidesilmus naaseb mõjutatud joogivee, puhkevee, toidu ja aerosoolide kaudu tagasi inimeste kokkupuutesse [13, 14].

On leitud, et kõrge ARG-koormus reovee ärajuhtimises avaldab tugevat mõju veekeskkonnale, näiteks jõed ja pinnaveed, ning see võib aidata suurendada ARG-i basseini [15, 16]. Eelkõige on antibiootikumide laialdane kasutamine kliinilises ja põllumajanduses muutnud haiglareoveed ja põllumajandusettevõtete heitveed potentsiaalseteks kuumade punktidena antibiootikumiresistentsuse kujunemisel ja levimisel [17, 18, 19].

Pinnase- ja jõevee ARG-profiile ja mustreid, mida sageli töödeldakse joogiks, mõjutavad sügavalt põllumajanduse ja reovee sisendid [20, 21, 22, 23, 24]. Inimeste terviseohu hindamine, mida esindab ARG sisaldus veekeskkonnas, on endiselt oluline ettevõtmine. Sageli leitakse, et reovee sissevoolu- ja mudaheited on rikkad ARG-de ja muude kaasvalikuainete poolest [26, 27].

Seetõttu on reoveepuhasti mõjutajate st reovee ja heitvee iseloomustusele antibiootikumiresistentsuse kontekstis pööratud suuremat tähelepanu. Ravimite optimeerimisstrateegia variatsioonid resistentsuse jälgimisel on kasutatud erinevaid meetodeid, kuid endiselt puudub üksmeel standardiseeritud lähenemisviisi osas.

Molekulaarseid meetodeid eelistatakse sageli seetõttu, et kultuuripõhised lähenemisviisid ei esinda täielikku vastupidavust. Eelkõige on keskkonnaproovides mitmesuguste ARG-de profiilimiseks ja kvantitatiivseks määramiseks laialdaselt kasutatud kvantitatiivset polümeraasi ahelreaktsiooni qPCR [28, 29]. Kuid qPCR nõuab eesmärkide prioriteetset valimist ja võib seetõttu antud keskkonnas peamisi ARG-sid tähelepanuta jätta [30].

Viimase kümnendi jooksul on püstoli metagenoomiline järjestamine kujunenud võimsaks tööriistaks, mis võib paljastada kliinilistes ja keskkonnaproovides sisalduvate ARG-de laia spektrit [31, 32].

Viimastes uuringutes on kasutatud metagenoomikat ARG-profiilide iseloomustamiseks ja võrdlemiseks erinevates linnaveesüsteemides ja looduslikes veekogudes [33] ning erinevate sissevoolu ja heitvee puhastusproovide vahel [34, 35].

Abstraktne

Metagenoomiliste andmete analüüs on aga keeruline ning tänaseni puuduvad standardsed vahendid antud proovi või keskkonna vastupidavuse tunnuste hindamiseks Ravimite optimeerimisstrateegia variatsioonid võrdlemiseks.

Tavaliselt on metagenoomilises analüüsis kasutatud peamiselt projektsioonimeetodeid, nagu põhikomponentide analüüs PCApõhikoordinaatide analüüs PCoA ja mittemeetriline mitmemõõtmeline skaleerimine NMDS [36]. Nende analüüside peamine piirang on see, et need pakuvad ainult proovide sarnasuse või erinevuse mõõtmeid, selle asemel et tuvastada tegelikke ARG-sid, mis täheldatud erinevusi juhivad.

Sellega seotud kulude tõttu on sageli piiratud ka metagenoomilised andmekogumid [37], mis võib analüüsi veelgi keerulisemaks muuta ja vähendada usaldust täheldatud erinevuste suhtes.

Eelkõige muudab muutujate väga korrelatiivne olemus genoomiandmetes paljude statistiliste mudelite nõutavad sõltumatud eeldused kehtetuks. Statistilistel testidel põhinevaid tööriistu, nagu LefSe [38] või DESeq [39], kasutatakse erinevalt rikkalike tunnuste FreeBSD Proc., kuid need on varustatud oma piirangutega. Mõni neist meetoditest eeldab sageli andmete Ravimite optimeerimisstrateegia variatsioonid, mis ei pruugi metagenoomsete andmete puhul olla täpne [40].

Masinõppe tehnikad on kujunemas kiireks ja võimsaks viisiks selliste konkreetsete mustrite ja tähelepanekute jäädvustamiseks.

Praegu on Ravimite optimeerimisstrateegia variatsioonid tunnused määratletud kui need, mis on olulised vastava masinõppe mudeli loomisel.

Digipööret elluviivate ettevõtete arv on kolmekordistunud

See lähenemisviis on siiski empiiriline ja kasutaja esitatud läviväärtuse nõue võib Ravimite optimeerimisstrateegia variatsioonid eelarvamusi [41]. Valdavad automatiseeritud meetodid diskrimineerivate tunnuste valimiseks toimivad, valides funktsioonide komplekti rekursiivselt ja hinnates mudeli täpsust, mida nimetatakse ka ümbrismeetoditeks.

Kahjuks võivad sellised meetodid suurte ja hõredate andmekogumite nt metagenoomiliste andmete omaduste käsitlemisel olla ebapraktiliselt aeglased [42].

Seega on vaja analüütilisi lähenemisviise, mis võimaldaksid Ravimite optimeerimisstrateegia variatsioonid arvestada selliste piirangute ja kõrvalekalletega, mis hõlbustavad konkreetse proovi või keskkonna jaoks iseloomulike ARG-de tuvastamist ja mis tuvastavad vastavad erinevused teiste proovidega. Ansamblite õppimismeetodeid tutvustati hiljuti keerukate mitmemõõtmeliste andmekogumite, näiteks metagenoomse järjestamise teel saadud andmete haldamise vahendina.

Eelkõige kasvab üha populaarsemaks äärmiselt randomiseeritud puu ERT algoritm, Ravimite optimeerimisstrateegia variatsioonid võimaldab masinõppe arenev valdkond [43]. ERT kasutab puude ansambli ehitamiseks sarnast lähenemist juhuslikele metsadele RF [44], kuid sellel on kaks peamist erinevust: 1 pakkimisfunktsioonide kasutamise asemel kasutab ta puude kasvatamiseks ja õppimiseks täielikke andmekogumeid ning 2 sõlme jaotus valitakse juhuslikult, võrreldes raadiosagedusega, kus parimad lõhed valitakse juhusliku alamhulga piires ja neist võetakse valim.

ERT algoritm on eriti tõhus muutujate korrelatsioonide ja interaktsioonide käsitlemisel Ravimite optimeerimisstrateegia variatsioonid pakub tõhusaid järeldusi andmete kohta. ERT-algoritme saab kasutada ka funktsioonide järjestamiseks muutuva tähtsusega mõõdikute järgi ja see võib parandada klasside eristamist tunnusmuutujate põhjal.

Ravimite optimeerimisstrateegia variatsioonid

See ERT-algoritmide omadus annab erilise lubaduse tuvastada diskrimineerivaid ARG-sid, mida saaks kasutada proovide erinevuste iseloomustamiseks rühmade kaupa. Nagu ka teised masinõppe meetodid, nõuab ERT oma jõudluse parandamiseks parameetrite optimeerimist.

Selliste parameetrite väärtuste valimine ei ole lihtne ja sõltub töödeldavatest andmetest. Bayesil põhinev optimeerimisstrateegia [45, 46] võiks selle väljakutse potentsiaalselt ületada, pakkudes vahendeid ERT parameetrite häälestamiseks, et maksimeerida ARG eristamist. Selle uuringu eesmärk oli formuleerida ERT metoodika erinevate keskkonnakomponentide vahel diskrimineerivate ARG-de tuvastamiseks, tuginedes neile vastavatele haavlipüsside metagenoomse järjestuse määramise andmetele.

Seejärel demonstreeriti ERT rakendamist analüüside abil, kasutades avalikult kättesaadavaid metagenoomilisi andmekogumeid, mis olid seotud 1 erinevate vee-elupaikadega nt jõgi, reovesi, jõeveekogu ja piimatootmisettevõtete heitvesiet võrrelda vastupidavusi eri keskkondade ja 2 erinevate jõgede vahel proovid st Amazon, Kalamas ja Cam Riverset võrrelda sarnaste keskkondade vastupidavust. Klastrianalüüs viidi läbi, hinnates silueti koefitsiente ja Bray-Curtise sarnasusi, et kvantitatiivselt kinnitada ERT algoritmi jõudlust.

Üldine ERT-lähenemisviis lubab parandada ARG-seiret keskkonnas ja aitab tuvastada antibiootikumiresistentsuse leviku allikaid ja mehhanisme ning leevendada strateegiaid. Rakendamine Äärmiselt juhuslik puu algoritm Äärmiselt randomiseeritud puu ERT algoritm on puupõhine ansamblimeetod, mida traditsiooniliselt kasutatakse juhendatud klassifitseerimise ja regressiooniprobleemide lahendamiseks.

Ansamblimeetod on protsess, mille käigus arvutatakse paljude otsustuspuude tulemuste keskväärtus lõpptulemuse saamiseks [47, 48]. ERT-d kasutatakse märgistatud andmestikust kasuliku teabe tuletamiseks.

Märgistatud andmestik sisaldab funktsioone nimetatakse ka atribuutideks ja klasse või rühmi. Lihtsamalt öeldes on atribuudid parameetrite kogum, mis kirjeldavad koos objekti. Näiteks kuju, maitse ja värv on kõik atribuudid, mis võiksid puuvilju kirjeldada.

Seetõttu saab selliseid tunnuseid kasutada Ravimite optimeerimisstrateegia variatsioonid liigitamiseks erinevatesse rühmadesse nt õunad ja apelsinid. Käesoleva uuringu kontekstis olid rakendatud atribuutideks resistentsusgeenide suhteline arvukus nt 16S rRNA geeni normaliseeritud ARG arvukus ja rühmad on kasutaja määratletud sildid nt proovivõtukoht, keskkonnad.

ERT algoritmi eesmärk oli kaardistada resistentsuse geenid rühmitähtede suhtes ja tuvastada erinevate rühmadega seotud ARG-d. Neid puid kasvatatakse, jagades sisendandmete komplekti alamhulkadeks, kasutades atribuudi infost tuletatud lihtsaid otsusereegleid.

Ravimite optimeerimisstrateegia variatsioonid

Ansamblil põhinev otsus vähendab mudeli variatsiooni, suurendamata seejuures eelarvamusi, andes täpsema klassifikatsiooni.

See tehnika aitab suures osas üle saada liigitusprobleemidest, mis on seotud ühe klassifitseerimispuu meetoditega.

Kolme muutuja ülemine ja alumine tase koos keskpunktiga on toodud tabelis I. Tarkvara Design-Expert® abil genereeriti 17 katset, mis hõlmasid viit keskpunkti kordust. Soovitatud keskpunkti korduste lisamise eesmärk on tagada, et kujundus annaks eksperimentaalsele veale hea hinnangu ja viia läbi sobivuse puudumise täpne test. Kõigi vastustegurite tulemused sobitati ruutkeskmisele polünoomimudelile, mida kirjeldati järgmise mittelineaarse võrrandiga.

Peamine erinevus ERT ja teiste puupõhiste ansamblite lähenemisviiside vahel on see, et see tükeldab sõlmed, kasutades iga funktsiooni jaoks juhuslikult genereeritud lõikepunkte. Atribuutide läviväärtuslävede valimise juhuslikkus vähendab dispersiooni. Juhuslikkuse lisamine läbilõike läve ja atribuutide valimisel vähendab dispersiooni efektiivselt, kui kombineerida ansambli keskmistamisega. Teine erinevus Ravimite optimeerimisstrateegia variatsioonid teiste puupõhiste lähenemisviisidega on see, et ERT kasutab puude ehitamiseks kogu andmestikku, teised meetodid aga kasutavad andmekogumi valimiseks alglaadimise lähenemisviisi.

Alglaadimismeetodi puhul kasutatakse puude tegemiseks ainult osa andmekogumist ja see võib põhjustada klassifitseerimisel suuri nihkeid. Kogu andmekogumi kasutamine aitab eelarvamusi veelgi vähendada.

Gini tähtsuse skoor näitab neid atribuute, mis on kõige tõhusamad nende rühmade efektiivsel klassifitseerimisel, kes panustavad kõige enam tugevate otsustuspuude loomisse [50, 51].

Andmete eeltöötlus ja märgistamine Pärast MetaStormi [52] järgi arvutatud ARG sisalduse leidmist rühmiti proovid ja märgistati.

Ravimite optimeerimisstrateegia variatsioonid

Sildid põhinesid soovitud klassifikatsiooniskeemil. Täiendav fail 1: Joonis S1 illustreerib erinevate metagenoomide märgistamist kasutaja määratletud rühmasiltide alusel. In silico andmekogumid Tarkvarapaketi InsilicoSeq-a Python abil loodi kuus kunstlikku metagenoomilist andmekogumit 1 loetud artiklit [53].

InSilicoSeq on sekveneerimise simulaator, mis simuleerib antud genoomide metagenoomse Illumina sekveneerimise andmeid. Kasutasime Illumina Hiseq platvormi jaoks tüüpilise metagenoomilise andmestiku tootmiseks 21 bakteri genoomi ja vaikimisi eelarvutatud veamudeli lisateabe saamiseks vt lisafail 2. Neid andmekogumeid kasutati meie metoodika võrdlemiseks.

Andmepõhine mitteskaalaline modelleerimine näitab metaboolse sidumise rolli pärmikolooniate kasvu aeg-ajalises dünaamikas Taust Mitmerakulistel üksustel, nagu imetajate kudedel või mikroobsetel biokiledel, on tavaliselt keerukas ruumiline paigutus, mis on kohandatud nende konkreetsete funktsioonide või keskkonnaga. Need struktuurid tulenevad nii rakkudevahelisest signaalimisest kui ka interaktsioonist keskkonnaga, mis võimaldavad sama genotüübiga rakkudel diferentseeruda mitmekesistatud rakkude hästi organiseeritud kooslusteks.

Andmekogumid jagati juhuslikult kaheks rühmaks st A ja Biga rühm sisaldas kolme valimit. Nende rühmade teadaolevate erinevuste sünteesimiseks lisati simuleeritud andmekogumitele varieeruvate ja teadaolevate proportsioonidega kolme juhuslikult valitud ARG sul 1, tet Werm B lugemid. Analüüsi märgistamine 1 Avalikest andmebaasidest kaevandatud metagenoomilised andmekogumid valiti nii, et need esindaksid ristlõiget mitmesugustest veekeskkondadest, sealhulgas jõgi, piimatootmisettevõte, sademevee reoveepuhasti ja haiglate heitveed tabelid 1 ja 2.

Nende proovide eristamiseks märgistati piimatootmisettevõtete heitveed majandiga, haigla heitkogused märgistati haiglaga ja reovee sissevoolu proovid märgisega "sissejuhatused". Kalamas jõe ja Cam jõe proovid olid märgistatud kui "jõgi", samal ajal kui Amazonase jõe nõtkeproove hoiti Amazonase piirkonnas eeldatava minimaalse inimsekkumise tõttu eraldi rühmas "Amazonase jõe nõtkena".

Selle piiritlemise mõte oli analüüsida laialdaselt erinevusi keskkondades, mida inimtegevus tihedalt mõjutab, nendest keskkondadest, mis eeldatavasti on suhteliselt põlised. Tabel 1 Avalikes andmebaasides saadud erinevate keskkonnaproovide metaandmed Täissuuruses tabel Tabel 2: Proovide teave: puhastusjaamade sissevoolu proovid Täissuuruses tabel Analüüsi märgistamine 2 Bitcoin tool. ja sarnaste keskkondade sügavam analüüs saavutati proovide rühmitamise teel vastavate jõgede järgi, et tuvastada vastavad diskrimineerivad ARG-d ja võrrelda jõekeskkonna vastupidavust.

Ansambli ehitamiseks ja Gini olulisuse hinnete arvutamiseks kasutati eelkontrollitud skikit-learning klassifikaatorit ExtraTreesClassifier.

Hinnanguandjate arv seati vaikeväärtusele Seejärel pakub algoritm loetelu atribuutidest Ravimite optimeerimisstrateegia variatsioonid ARG-idmis sobivad kõige paremini rühmade eristamiseks. Süsteem võtab selle maatriksi ja rühma sildid sisendina ning tagastab ARG-de loendi koos nende individuaalse Gini tähtsusega lisafail 1: joonis S2. See meetod võimaldab ERT parameetrite automaatset tuvastamist sisendandmete suhtes. Täpsemalt, optimeeriti kõige asjakohasemate ARG-de määramiseks kasutatud hinnangute arv ja olulisuse piir.

Vaikimisi töötab algoritm läbi 50 iteratsiooni, et tuvastada parameetrid, mis suurendavad rühmadevahelist eraldamist. Selles uuringus analüüsitud proovide vaatluse põhjal täheldati, et hinnangute arv oli vahemikus — ja Gini tähtsus vahemikus 10—5—10 —2.