[論文レビュー] Machine Learning for Antimicrobial Resistance

John Santerre, James J. Davis+2 more|arXiv (Cornell University)|Jul 5, 2016

Computational Drug Discovery Methods参考文献 5被引用数 16

ひとこと要約

この論文は、特にランダムフォレストを用いたアンサンブル機械学習手法が、小規模なデータセットでさえも、80%から92%の分類精度を達成するなど、ゲノムデータから耐性表現型を効果的に分類できることを示している。また、これらのモデルは既知の耐性関連遺伝子領域を信頼性高く特定しており、未開発地域におけるグローバルヘルスの課題に向けた応用機械学習の可能性を示している。

ABSTRACT

Biological datasets amenable to applied machine learning are more available today than ever before, yet they lack adequate representation in the Data-for-Good community. Here we present a work in progress case study performing analysis on antimicrobial resistance (AMR) using standard ensemble machine learning techniques and note the successes and pitfalls such work entails. Broadly, applied machine learning (AML) techniques are well suited to AMR, with classification accuracies ranging from mid-90% to low- 80% depending on sample size. Additionally, these techniques prove successful at identifying gene regions known to be associated with the AMR phenotype. We believe that the extensive amount of biological data available, the plethora of problems presented, and the global impact of such work merits the consideration of the Data- for-Good community.

研究の動機と目的

• 公開生物学的データセットに対して、市販の機械学習手法を適用して耐性（AMR）予測の実現可能性を示すこと。
• データ・フォー・グッドコミュニティにおける生物学的データセットの不足を是正し、グローバルヘルス分野での実世界のインパクトを提示すること。
• 限られた学習データでも、訓練済みモデルの特徴重要度を用いてAMR表現型に関連する遺伝子領域を同定すること。
• AMR分野におけるアクセスしやすく、高いインパクトを持つ課題を強調することで、データ・フォー・グッドコミュニティが計算生物学に参加することを促すこと。
• 3つの異なる目的を検討する：分類精度の最大化、異なる細菌種／抗菌薬における汎化性能の向上、アウトブレイク対応のための迅速な特徴選択の実現。

提案手法

• ゲノム配列のk-mer表現を用いて、ゲノム型から表現型への分類を教師あり機械学習タスクに変換した。
• 主にランダムフォレスト（RF）を用いた標準的なアンサンブル学習手法を、全ゲノムシーケンシングデータからAMR表現型を分類するために適用した。
• 入力特徴としてk = 10から30のk-mer頻度カウントを用い、kが大きくなるほど特徴次元数とディスク容量が増加した。
• モデル性能を評価するために、80/20の訓練・テスト分割を実施し、さまざまなサンプルサイズにおける性能を評価した。訓練データサイズの関数として分類精度を追跡した。
• ランダムフォレストを用いた特徴重要度分析により、耐性に関連する上位の遺伝子領域を同定し、徐々に減少するサンプルサイズにおける安定性を評価した。
• 3種の細菌種：*Streptococcus pneumoniae*、*Acinetobacter baumannii*、*Mycobacterium tuberculosis* について、それぞれ特定の抗菌薬に対する耐性を評価した。

実験結果

リサーチクエスチョン

• RQ1 標準的な機械学習モデルは、ゲノムデータから耐性表現型を予測する際に高い精度を達成できるか？
• RQ2 訓練データが徐々に小さくなる中で、同定された耐性関連遺伝子領域の安定性はいかがなものか？
• RQ3 機械学習モデルは、異なる細菌種や抗菌薬に対して、AMR予測の文脈でどれほど汎化できるか？
• RQ4 限られた学習データでも、訓練済みモデルの特徴重要度は、既知の耐性遺伝子を信頼性高く同定できるか？
• RQ5 市販のMLツールを公開生物学的データセットに適用することの、実世界の公衆衛生応用における実用的意義は何か？

主な発見

• ランダムフォレストモデルは、サンプルサイズや細菌種に応じて、AMR表現型予測で80%から92%の分類精度を達成した。
• 大規模なデータセットではモデル精度が飽和し、あるサイズを超えると利得が減少することが示された。
• 訓練株がたった25例でも、耐性に関連する上位の遺伝子領域の特徴重要度順位は安定していた。
• モデルは、耐性関連遺伝子領域を正確に同定し、生物学的妥当性を裏付けた。
• 特徴重要度分析により、特定のゲノム領域に集中する突然変異のクラスタリングが一貫して確認され、耐性メカニズムの生物学的整合性が示された。
• 小規模なデータセットでは精度が低かったが、依然として主要な耐性座標を同定する十分な予測能力を保持しており、初期アウトブレイク状況での応用が可能であることが示された。