Predicting Host Association for Shiga Toxin-Producing E. coli Serogroups by Machine Learning.
Predicting Host Association for Shiga Toxin-Producing E. coli Serogroups by Machine Learning.
复制标题
通过机器学习预测产志贺毒素大肠杆菌血清群的宿主关联。
DOI：
10.1007/978-1-0716-1339-9_4
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Lupolova N
中科院分区：
文献类型：
--
作者：
Lupolova N
大肠杆菌是一种可以存在于多种哺乳动物宿主和潜在土壤环境中的细菌。大肠杆菌具有开放的基因组，分离株之间的基因含量可以显示出相当大的差异。这是一个合理的假设，即基因含量反映了菌株在特定宿主环境中的进化，因此可用于预测最有可能成为分离株来源的宿主。这一论点的一个外推是，菌株也可能具有有利于在多个宿主中成功传播的基因内容，因此也可以根据基因内容预测从一个宿主到另一个宿主的成功传播的可能性，例如从牛到人。在本方法章节中，我们考虑了产生滋贺毒素（Stx）的问题。大肠杆菌（STEC）菌株，存在于反刍动物中作为主要宿主水库，我们知道其中一个子集会导致人类的危及生命的感染。我们展示了E.从牛和人两者分离的大肠杆菌可以用于构建分类器以预测人和牛宿主关联以及如何将其应用于对已知与人类感染相关的关键STEC血清型进行评分。使用示例数据集，血清群O157、O26和O111显示出对人类关联的最高预测，O103和O145显示出对人类关联的最低预测。长期目标是将这种机器学习预测与遗传学相结合，以基于其全基因组序列（WGS）预测分离株的人畜共患病威胁。
Escherichia coliis a species of bacteria that can be present in a wide variety of mammalian hosts and potentially soil environments.E. colihas an open genome and can show considerable diversity in gene content between isolates. It is a reasonable assumption that gene content reflects evolution of strains in particular host environments and therefore can be used to predict the host most likely to be the source of an isolate. An extrapolation of this argument is that strains may also have gene content that favors success in multiple hosts and so the possibility of successful transmission from one host to another, for example, from cattle to human, can also be predicted based on gene content. In this methods chapter, we consider the issue of Shiga toxin (Stx)-producingE. coli(STEC) strains that are present in ruminants as the main host reservoir and for which we know that a subset causes life-threatening infections in humans. We show how the genome sequences ofE. coliisolated from both cattle and humans can be used to build a classifier to predict human and cattle host association and how this can be applied to score key STEC serotypes known to be associated with human infection. With the example dataset used, serogroups O157, O26, and O111 show the highest, and O103 and O145 the lowest, predictions for human association. The long-term ambition is to combine such machine learning predictions with phylogeny to predict the zoonotic threat of an isolate based on its whole genome sequence (WGS).
登录
查看更多内容
DOI：
10.1073/pnas.0506758102
发表时间：
2005-09-27
影响因子：
11.1
作者：
Tettelin, H;Masignani, V;Fraser, CM
通讯作者：
Fraser, CM
DOI：
--
发表时间：
--
期刊：
--
影响因子：
--
作者：
Systems Biology
通讯作者：
Systems Biology
人类和非人类大肠杆菌 O26 菌株的全基因组序列比较
影响因子：
5.7
作者：
K. N. Norman;M. Clawson;N. Strockbine;R. Mandrell;Roger P. Johnson;K. Ziebell;Shaohua Zhao;P. Fratamico;R. Stones;M. Allard;J. Bono
通讯作者：
J. Bono
影响因子：
4.1
作者：
Hayashi, T;Makino, K;Shinagawa, H
通讯作者：
Shinagawa, H
影响因子：
4.6
作者：
Mainda G;Lupolova N;Sikakwa L;Bessell PR;Muma JB;Hoyle DV;McAteer SP;Gibbs K;Williams NJ;Sheppard SK;La Ragione RM;Cordoni G;Argyle SA;Wagner S;Chase-Topping ME;Dallman TJ;Stevens MP;Bronsvoort BM;Gally DL
通讯作者：
Gally DL