机器学习驱动的MIC值预测：模型优化与遗传力分析

AMR是全球人类健康的主要威胁，每年可导致约100万人死亡。AMR可由单个基因或多个基因位点共同作用引起。例如，碳青霉烯类抗生素的非敏感性可能由单个碳青霉烯酶编码基因（如bla_KPC）引起，而其他抗性机制可能涉及多个基因的协同作用，如外膜蛋白的失活或外排泵的过表达。此外，某些基因之间的表观遗传相互作用（如肺炎链球菌中的pbp基因）也会影响抗性。MIC是衡量细菌对抗生素敏感性的金标准，但其测量方法（如固体培养基法和肉汤稀释法）存在局限性：耗时、成本高，且一次只能测试一种抗生素。MIC的解释依赖于国际组织（如EUCAST或CLSI）设定的阈值，这些阈值会随时间更新，导致结果存在时效性。近年来，WGS技术为快速诊断AMR提供了可能，通过基因组变异构建预测模型成为研究热点。机器学习是构建这些模型的主要工具，但如何处理半定量的MIC数据（如有限分辨率、左截断和右截断）仍然是一个挑战。因此，研究者需要探索更优的MIC数据处理方法，以提高模型的准确性和实用性。基于此背景，Gherard Batisti Biffignandi等人通过模拟和真实数据，系统评估了不同MIC处理方式对机器学习模型性能的影响，为临床应用中的抗性预测提供了重要指导。

研究从三个公共数据库中收集了4367个肺炎克雷伯菌基因组数据，涵盖环丙沙星、庆大霉素、哌拉西林/他唑巴坦和美罗培南四种抗生素的表型信息。基于此，作者主要开展了两部分实验内容，一是基于基因组数据的模拟分析，二是将模拟表型与真实表型进行比较，进一步评价机器学习模型。在模拟分析中，研究者利用GCTA软件生成模拟的MIC表型数据，考虑了不同的遗传背景，包括遗传力水平（h²=0.6和h²=0.9）、效应大小（1.5、2.5、10等）、寡基因性状、多基因性状和同态性状。模拟过程特别关注MIC数据的半定量特性，如数据截断（左截断和右截断）和有限浓度梯度。为了评估不同处理方式对模型性能的影响，研究者将MIC数据作为连续变量（回归问题）和分类变量（分类问题）进行处理，并使用Elastic Net和Random Forest两种机器学习模型进行预测。通过模拟数据，系统评估了两种模型在不同遗传背景和MIC处理方式下的预测性能，包括平衡准确率（bACC）和R²值等指标（图1到图3）。在真实数据验证部分，研究者使用实际测量的MIC数据验证模拟结果，对比真实与模拟数据的分布，进一步评估了机器模型策略，帮助研究者理解：在真实数据中，哪种建模策略更适合特定的抗生素或MIC数据特性；提供了真实MIC数据的模型性能评估结果，帮助研究者对比分类与回归方法的适用性，验证模拟数据的有效性，并为临床应用提供指导（表1）。

通过上述研究，文章总结了几个在基于机器学习的MIC预测的关键因素：①遗传力水平：高遗传力水平的表型更容易被模型预测。②数据截断现象会减少模型可用的信息量，MIC分类水平的增加（二分类到六分类）会降低模型的bACC，继而降低模型的预测精度（图1）。③针对MIC类别多的问题，使用更灵活的准确性评估指标（如off-by-one accuracy）及将MIC视为连续变量进行回归分析可以显著提高模型的性能。当遗传力水平较高时，Random Forest算法表现最佳，能够更有效地捕捉到遗传变异对MIC的影响（图2及图3）。

通过模拟和真实数据的分析，文章展示了机器学习模型在预测细菌MIC时的潜力和挑战。研究表明，Random Forest在处理复杂遗传结构和多基因性状时表现更好，而Elastic Net在寡基因性状中表现更优。此外，文章强调了根据MIC数据特性选择合适建模策略的重要性，并提出了优化模型性能的策略，如考虑遗传结构和扩展MIC浓度范围。这些发现为未来基于基因组学的抗生素抗性预测提供了重要的指导。

图1 基于平衡准确率（bACC）评估分类模型（Elastic Net和Random Forest）在不同遗传力水平（h²）和数据处理方式（是否截断）下的性能表现

图2 引入off-by-one accuracy的分类模型（Elastic Net和Random Forest）在不同遗传力水平（h²）和数据处理方式（是否截断）下的性能表现

图3  基于分箱和不分箱数据的R²评估回归模型（Elastic Net和Random Forest）在不同遗传力水平（h²）下MIC的预测性能

表1 真实MIC数据的机器学习模型性能评估结果

原文doi：10.1099/mgen.0.001222.