機械学習

Scientific Reports volume 13、記事番号: 7749 (2023) この記事を引用

320 アクセス

メトリクスの詳細

水域におけるアシネトバクター密度 (AD) の計数のためのスマート人工知能システム (SAIS) は、その測定に関連する反復的で面倒で時間のかかるルーチンを回避するための貴重な戦略を表します。 この研究は、機械学習 (ML) を使用して水域における AD を予測することを目的としていました。 1 年間にわたる研究で標準プロトコルを介して監視された 3 つの河川からの AD および物理化学変数 (PV) データが 18 の ML アルゴリズムに適合されました。 モデルのパフォーマンスは回帰指標を使用して評価されました。 平均 pH、EC、TDS、塩分、温度、TSS、TBS、DO、BOD、および AD は、7.76 ± 0.02、218.66 ± 4.76 μS/cm、110.53 ± 2.36 mg/L、0.10 ± 0.00 PSU、17.29 ± 0.21 °でした。 C、80.17 ± 5.09 mg/L、87.51 ± 5.41 NTU、8.82 ± 0.04 mg/L、4.00 ± 0.10 mg/L、および 3.19 ± 0.03 log CFU/100 mL。 PV の寄与度の値は異なりますが、XGB [3.1792 (1.1040–4.5828)] と Cubist [3.1736 (1.1012–4.5300)] による AD 予測値は他のアルゴリズムを上回りました。 また、XGB (MSE = 0.0059、RMSE = 0.0770; R2 = 0.9912; MAD = 0.0440) と Cubist (MSE = 0.0117、RMSE = 0.1081、R2 = 0.9827; MAD = 0.0437) が、AD の予測においてそれぞれ 1 位と 2 位にランクされました。 温度はアルツハイマー病の予測において最も重要な特徴であり、1000 回の順列後の平均ドロップアウト RMSE 損失の 43.00 ～ 83.30% を占める 10/18 ML アルゴリズムによって 1 位にランクされました。 2 つのモデルの部分依存性と残存診断感度により、水域における効率的な AD 予測精度が明らかになりました。 結論として、水域の AD モニタリング用に完全に開発された XGB/Cubist/XGB-Cubist アンサンブル/Web SAIS アプリを導入することで、灌漑やその他の目的で水域の微生物学的品質を決定する際の所要時間を短縮することができます。

アシネトバクター種は、非運動性、非発酵性、カタラーゼ陽性、オキシダーゼ陰性のカプセル化球菌である好気性グラム陰性細菌のグループに属し、DNA G+C 含有量が 39 ～ 47 mol1,2 です。 分類学的には、科学者らはアシネトバクター属の有効な 68 種を同定しましたが、その他の多くの種はまだ種に分類されていません 3、4、5。 多くのアシネトバクター種は、土壌、水、空気、廃水、嘔吐物、人間の皮膚、動物、さらには植物など、さまざまな環境で自然に見られます6、7、8。 一部の種はアミノ酸、炭水化物、有機酸、炭化水素などの異なる基質を利用でき、また一部の種はリパーゼやプロテアーゼなどの工業用酵素を分泌できます9,10。 しかし、ヒトの日和見病原体となる種はほとんどありません。 例えば、アシネトバクター・バウマニは、特に免疫不全患者において、肺炎、呼吸器および尿路感染症、敗血症、創傷感染などの生命を脅かす感染症を引き起こす、病院内でよく知られた悪名高い菌種である11、12、13。 。

アシネトバクター種は環境環境を介して広く拡散しており、抗菌剤耐性遺伝子を環境中に驚くほど広める可能性があります 14,15。 さらに、病院および都市廃水の流入を供給する下水処理場（WWTP）は、他の発生源と比較して、水域を受け取る排水に多剤耐性（MDR）および広範な薬剤耐性（XDR）アシネトバクター分離菌を寄与していることが報告されています15,16。 下水処理場の排水を排出すると、流入する河川水域でのアシネトバクターの蔓延が増加し、抗菌剤耐性と灌漑野菜への感染が促進されます15。 アシネトバクター属の感染。 (特に A. baumannii) は高い抗菌耐性と致死率を持ち、生鮮食品への感染が実証され、Carvalheira らによって検討されています 17。 MDR から XDR までのさまざまな耐性を持つアシネトバクター種が、新鮮な果物や野菜 (リンゴ、キャベツ、メロン、カリフラワー、ピーマン、キノコ、レタス、キュウリ、バナナ、大根、スイートコーン、ニンジン、ジャガイモ、モモ、ナシ、香港19、フランス20、ナイジェリア21、レバノン22、ポルトガル23、およびアルジェリアの農業環境24では、最大50〜1000 CFU/g18の密度でイチゴ、リンゴ、セロリ、トマト、大根）が含まれています。 さらに、水域、特に田舎の河川は、下水処理場の排水の流入や流入、アシネトバクターを含む公衆衛生上の懸念となる多剤耐性病原体の流入を認識していない人々による、かなり高濃度のレクリエーション利用を支援している25。

最尤数、直接平板計数、アデノシン三リン酸検査、および膜ろ過法を使用した、すべてのマトリックス (水、食品、臨床サンプルなど) 中のアシネトバクター種およびその他の細菌の日常的な実験的決定および同定は、通常、手間がかかり、反復的です。時間（潜伏期間）とコストがかかり、ほとんどの環境ではすぐには入手できない専門知識が必要な作業でした。 したがって、情報に基づいて微生物学的品質の決定を行うために必要な短い所要時間を確保するために、水域やその他のマトリックス中のアシネトバクター密度（AD）を評価するための、技術的ノウハウをまったく必要としない、またはあまり必要としない、迅速で信頼性が高く、費用対効果の高い手段が緊急に必要とされています。 。 水域におけるアルツハイマー病は、前述の決定方法に基づくアルツハイマー病と水域およびその他のマトリックスの物理化学的変数との間の力関係に依存する機械学習インテリジェンスフレームワークを使用することによって、低コストかつ時間効率よく正確かつ信頼性の高い予測が可能であるという仮説が立てられています。方法。 したがって、後に灌漑源水（ISW）として使用される、下水処理場の排水を受け入れる水域におけるアルツハイマー病判定のための人工知能システムは、当面および将来の公衆衛生上の課題に対する非常に貴重な予防オプションとなるでしょう。

ML モデルの主な利点は、深いパターンを「学習」することで大規模データ内の多次元相互作用を捕捉および予測する際の従来の統計モデルに関連する問題を克服できる能力にあります26。 ML フレームワークと SAIS を使用すると、事後対応ではなく、事前にイベントを管理できます。 したがって、ML と SAIS は、医療、精密農業、環境管理、水の浄化、マイクロプラスチック上のビブリオの存在量、廃水処理、流域の類型学、雨水の水質と疫学予測など、多くの分野での応用が増えています26、27、28、29、30。アプリケーションは日々際限なく拡張されています。

したがって、本研究は、ML を使用して水域（病院、都市、および下水処理場の排水を受け入れる）におけるアルツハイマー病を予測/決定することを目的としました。これにより、微生物学的情報に基づいた情報を得るために不可欠なターンアラウンドタイムを短縮するために、反復的で手間がかかり、コストと時間のかかる実験室ルーチンが不要になります。品質に関する決定 (例: 灌漑用途やその他の目的)。

水サンプルは、南アフリカの東ケープ州の流路に沿った 1 つ以上の地点で、都市および病院廃水 (MHWE) の排出を受ける水域として機能するグレート フィッシュ川、ケイスカンマ川、およびタイム川からグラブ サンプリング技術を使用して収集されました。 。 各河川の社会経済的重要性（例：釣り、海水浴、下水処理施設、農業、牧草地、灌漑、ダムなど）に基づいて、少なくとも 5 つの戦略的なサンプリング場所がサンプル収集のために選択されました。 サンプリング場所では、水温 (TEMP)、pH、全溶解固形分 (TDS)、電気伝導率 (EC)、塩分濃度 (SAL)、および溶存酸素 (DO) が、標準的なマルチパラメータ装置を使用してその場で測定されました ( Hanna、モデル HI 9828) 機器プロトコル。 さらに、河川の濁度 (TBS) を濁度計 (HACH、モデル 2100P) を使用して評価しました。 微生物学的分析と生物化学的酸素要求量 (BOD) 測定のために、中流水サンプル (深さ 25 ～ 30 cm) を同じ採取場所で 3 回繰り返してそれぞれ滅菌ガラス瓶と琥珀瓶に収集し、アイスボックスに保管して実験室に輸送しました。 6 時間の収集による分析31。 琥珀色のボトル中でサンプルを 5 日間インキュベートした後、サンプルの BOD を生化学的酸素要求量計 (HACH、HQ 40 日間) を使用して測定しました 31。 詳細なサンプリング戦略、サンプリングポイントの説明、および調査地域マップは、以前の研究で説明したとおりです32。

水サンプル中のアシネトバクター種の密度は、膜濾過によって推定されました 31。 簡単に説明すると、段階希釈した水サンプル 100 ml を、孔径 Ø47 mm、孔径 0.45 μm のセルロース膜を使用して 3 回の独立した反復で濾過しました31。 これらの膜を、製造業者の指示に従って、選択的サプリメント（CHROMagar、パリ、フランス）を含む新たに調製したAcinetobacter CHROMagarプレート上に無菌的に配置した。 プレートを 37 °C で 24 時間インキュベートしました。 インキュベーション後にCHROMagarプレート上で赤色として提示されたすべてのAcinetobacterコロニーを計数し、対数変換した(log CFU/100 mL)。 すべての分離株は精製され、オキシダーゼ陰性であることが検証され、アシネトバクター特異的ポリメラーゼ連鎖反応によって評価されました。 純粋培養のグリセロールストックの 50% を調製し、-80 °C で保存しました。

データセットは最初に説明的二変量ピアソン相関 (r) [式 1] の対象となりました。 (1)】の分析です。 二変量相関分析における r 値の 95% 信頼区間 (95% CI) の推定は、バイアス調整を行ったフィッシャーの r-to-z 変換に基づいていました [式 5]。 (2)】。 2 つの変数間の r 値が 0.99 以上である多重共線性を回避するために、後続のモデルではそのうちの 1 つがランダムに削除されました (表 2 を参照)。 2 つの変数のいずれもモデルの実装に使用できます。 また、モデルの実装では、変数の平均 = 0 および分散の平方根 = 1 になるようにデータセットが中心でスケーリングされました。 DTR のデータセットはスケーリングされていません。

ここで、r はピアソンの相関係数であり、-1 から 1 までの値が可能です。 ここで、u と w は PV のペアを表し、h はサンプル サイズです。

アシネトバクター密度 (AD) は、河川の物理化学的変数 (PV) の従属変数としてモデル化されました。 したがって、TEMP、DO、BOD、TSS、SAL、および pH のベクトルで構成される PV のインスタンスにおける条件付き期待値 (CE) AD 値は、 \({\mathrm{CE}}_{AD|PVs}(広告）\）。 したがって、平均ADの推定は式1のように構築できます。 (3)。

式 (1) は、段階的選択による線形回帰 (LRSS)、RF、XGB、SVR、線形回帰 (LR)、勾配ブースト マシン (GBM)、ニューラル ネットワーク (NNT) (49 重み倍数の 6-6-1 ネットワーク、減衰 = 0.1)、KNN (k 最近傍)、M5P、ブースト回帰ツリー (BRT)、Cubist回帰、決定木 (DTR)、多変量適応回帰スプライン (MARS)、ANN [1 つの 6 ノード隠れ層 (ANN6)、極限学習マシン (ELM)、2 つの 4 ノードおよび 2 ノードの隠れ層 (ANN42)、および 2 つの 3 ノードおよび 3 ノードの隠れ層 (ANN33)、およびエラスティック ネット (ENR)]。 データセット (540 の観測値、説明特徴選択後の 6 変数) は、モデルの係数の推定用の学習サブセット (70%) とモデルの実証用の検証サブセット (30%) に分割されました。 式のすべての ML 実装で。 (1) では、3 回の繰り返しと 10 のチューニング長を伴う 10 倍の相互検証によって、10 個の異なる学習検証データセットのペアが生成されました。 最適なハイパーパラメータは、グリッド検索アルゴリズムを通じて導出され、選択されました。 モデルのハイパーパラメータについては、補足資料で詳しく説明されています。 長所と短所、およびさまざまなアルゴリズムの以前の適用に関する詳細な説明は、他の場所とそのドキュメントで見つけることができます。

モデル内のすべての変数の寄与の説明表現は、式 1 に従っていました。 (4):

ここで、t(j, w.) はインスタンス w におけるモデルの予測に対する j 番目の変数寄与度を示し、t0 は平均モデル予測です 33。

MLI アルゴリズム モデルのパフォーマンスは、方程式に基づく実験データに対して決定されました。 (5) ～ (8):

ここで、h = サンプルの数。 f0(): ベースラインモデル。 ri: i 番目の観測の残差、U: PV の行列。 \(\underline{w}\): AD のベクトル。 \(f\left(\widehat{\underline{\theta }},\underline{U}\right):\) トレーニング データセットに基づくモデル。 \(\widehat{\underline{\theta }}:\) モデルの係数の推定値。 \({\widehat{\underline{w}}}_{i}:\) モデルの予測は \({\mathrm{w}}_{i}\) と同等です。

RMSE はさらに、1000 回の順列後の変数重要度の平均ドロップアウト損失を評価する際に使用されました 34,35。

モデルの感度を評価するために、予測された AD に対する PV の残存診断と部分依存プロファイルが生成されました。 モデル f() の部分依存プロファイル (つまり、モデルによるインスタンスでの予測/予測 AD 値) と s に設定された結果変数 Uj (Uj (h) の経験的/周辺分布、つまり、 Uj を含まない他のすべての PV の集合分布は、式 (1) に従って作成されます。 (9) および (10):

すべてのモデルの実装は、R v.4.1.2 ソフトウェアで実現されました。

水域の物理化学的変数とアシネトバクター密度の説明的要約を表 1 に示します。水域の平均 pH、EC、TDS、および SAL は、7.76 ± 0.02、218.66 ± 4.76 μS/cm、110.53 ± 2.36 mg/L でした。 、それぞれ 0.10 ± 0.00 PSU。 河川の平均 TEMP、TSS、TBS、DO はそれぞれ 17.29 ± 0.21 °C、80.17 ± 5.09 mg/L、87.51 ± 5.41 NTU、および 8.82 ± 0.04 mg/L でしたが、対応する DO5、BOD、およびAD はそれぞれ 4.82 ± 0.11 mg/L、4.00 ± 0.10 mg/L、および 3.19 ± 0.03 log CFU/100 mL でした。

ペアの PV 間の二変量相関は、非常に弱いものから完全/非常に強い正または負の相関まで大きく異なりました (表 2)。 同様に、さまざまな PV と AD の間の相関関係も変化します。 たとえば、AD と pH (r = 0.03、p = 0.422)、および SAL (r = 0.06、p = 0.184) の間には、無視できるものの正の非常に弱い相関が存在し、AD と TDS の間には非常に弱い逆 (負の) 相関が存在します ( r = − 0.05、p = 0.243) および EC (r = − 0.04、p = 0.339)。 ADとBOD（r = 0.26、p = 4.21E−10）、TSS（r = 0.26、p = 1.09E−09）、およびTBS（r = 0.26、1.71E−09）の間には、有意に正の弱い相関関係が見られます。 ）一方、AD は DO5 と弱い逆相関を示しました（r = − 0.39、p = 1.31E−21）。 TEMP と AD の間には中程度の正の相関があった (r = 0.43、p = 3.19E−26) 一方で、AD と DO の間には中程度だが逆相関が発生した (r = − 0.46、1.26E−29)。

18のML回帰モデルによる予測ADは、図1に示すように、平均値とカバレッジ（範囲）の両方が異なります。平均予測ADは、M5Pによる0.0056ログユニットからSVRによる3.2112ログユニットの範囲でした。 平均AD予測は、SVR [3.2112 (1.4646–4.4399)]、DTR [3.1842 (2.2312–4.3036)]、ENR [3.1842 (2.1233–4.8208)]、NNT [3.1836 (1.1399–4.2936)]、BRT [3.1833( 1.6890–4.3103)]、RF [3.1795 (1.3563–4.4514)]、XGB [3.1792 (1.1040–4.5828)]、MARS [3.1790 (1.1901–4.5000)]、LR [3.1786 (2.1895–4.7951)]、L RSS [3.1786 ( 2.1622–4.7911)]、GBM [3.1738 (1.4328–4.3036)]、キュビスト [3.1736 (1.1012–4.5300)]、ELM [3.1714 (2.2236–4.9017)]、KNN [3.1657 (1.4988–4.5001)]、A NET6 [0.6077 ( 0.0419–1.1504)]、ANET33 [0.6077 (0.0950–0.8568)]、ANET42 [0.6077 (0.0692–0.8568)]、および M5P [0.0056 (− 0.6024–0.6916)]。 ただし、範囲カバレッジの点では、XGB [3.1792 (1.1040–4.5828)] と Cubist [3.1736 (1.1012–4.5300)] が他のモデルを上回りました。これは、これらのモデルが、生データ [3.1865 ( 1–4.5611)]。

ML モデルによって予測された水域における AD の比較。 RAW 生/経験的な AD 値。

図 2 は、モデルによる AD 予測に対する PV の説明的寄与を表しています。 サブプロット AR は、PV インスタンスが各モデルによる AD 予測を縦軸に示された平均値から変更する絶対的な大きさ (パラメーターの重要性を表す) を示します。 LR では、pH、BOD、TSS、DO、SAL、および TEMP の平均値からの絶対変化は、LR の AD 予測応答/値の 0.143、0.108、0.069、0.0045、0.04、および 0.004 単位の絶対変化に相当しました。 。 また、AD 予測値における絶対応答フラックス 0.135、0.116、0.069、0.057、0.043、0.0001 は、pH、BOD、TSS、DO に起因するものでした。 SAL と TEMP はそれぞれ LRSS によって変化します。 同様に、DO、BOD、TEMP、TSS、pH、および SAL の絶対変化は 0.155、0.061 に達します。 KNN による 0.099、0.144、0.297 AD 予測応答の変化。 さらに、変化が AD 予測応答に大きく影響した最も寄与した、または重要な PV は、RF の TEMP (応答を最大 0.218 まで減少または減少させる) でした。 要約すると、AD 予測反応の変化は最も高く、BOD (0.209)、pH (0.332)、TSS (0.265)、TEMP (0.6)、TSS (0.233)、SAL (0.198)、BOD (0.127)、BOD ( XGB、BTR、NNT、DTR、SVR、M5P、ENR、ANET33、ANNET64、ANNET6、ELM の 0.11)、DO (0.028)、pH (0.114)、pH (0.14)、SAL(0.91)、および pH (0.427) 、MARS、キュビストです。

MHWE の受水水域における AD の能力を予測する 18 の ML モデルに対する PV 固有の寄与。 ML の PV の平均ベースライン値が y 軸に表示されます。 緑/赤のバーは、AD の予測における各 PV 寄与の絶対値を表します。

表 4 は、水域の PV を考慮した AD を予測する 18 の回帰アルゴリズムのパフォーマンスを示しています。 MSE、RMSE、R2 に関しては、XGB (MSE = 0.0059、RMSE = 0.0770、R2 = 0.9912) と Cubist (MSE = 0.0117、RMSE = 0.1081、R2 = 0.9827) がそれぞれ 1 位と 2 位にランクされ、他のモデルを上回りました。 ADを予測します。 MSE および RMSE メトリクスは、ANET6 (MSE = 0.0172、RMSE = 0.1310)、ANRT42 (MSE = 0.0220、RMSE = 0.1483)、ANET33 (MSE = 0.0253、RMSE = 0.1590)、M5P (MSE = 0.0275、RMSE = 0.16) にランク付けされました。 57)、 AD の予測において ML の中で 3、4、5、6、7 位の RF (MSE = 0.0282、RMSE = 0.1679) は、M5P (R2 = 0.9589 および RF (R2 = 0.9584)) が R の点でより優れたパフォーマンスを記録しました。 5 つのモデルの MAD メトリックに関しては、2 乗メトリックと ANET6 (MAD = 0.0856) および M5P (MAD = 0.0863) ですが、MAD メトリックに関しては Cubist (MAD = 0.0437) XGB (MAD = 0.0440) です。

水域におけるアルツハイマー病の予測における ML モデルの予測能力における、順列リサンプリングに対する各 PV の特徴の重要性を表 3 と図 S1 に示します。 特定された重要な変数のランク付けはモデルごとに異なり、10/18 のモデルで温度が第 1 位にランクされました。 10 のアルゴリズム/モデルでは、温度が最も高い平均 RMSE ドロップアウト損失の原因となっており、RF、XGB、Cubist、BRT、および NNT の温度は 0.4222 (45.90%)、0.4588 (43.00%)、0.5294 (50.82%) を占めていました。 )、0.3044 (44.87%)、0.2424 (68.77%) がそれぞれ、RMSE ドロップアウトは 0.1143 (82.31%)、0.1384 (83.30%)、0.1059 (57.00%)、0.4656 (50.58%)、0.2682 (57.58%) でした。損失それぞれ、ANET42、ANET10、ELM、M5P、DTR の温度が原因でした。 温度も、ANET33 (0.0559、45.86%) と GBM (0.0793、21.84%) を含む 2/18 モデルで 2 位にランクされました。 BOD は水域の AD を予測する際のもう 1 つの重要な変数であり、3/18 モデルでは 1 位、8/18 モデルでは 2 位にランクされました。 BOD は、MARS (0.9343、182.96%)、LR (0.0584、27.42%)、GBM (0.0812、22.35%) では AD 予測における重要な変数の 1 位にランクされていますが、KNN (0.2660、42.69%)、XGB では 2 位にランクされています。 (0.4119、38.60); BRT (0.2206、32.51%)、ELM (0.0430、23.17%)、SVR (0.1869、35.77%)、DTR (0.1636、35.13%)、ENR (0.0469、21.84%)、LRSS (0.0669、31.65%)。 SAL はモデルの 2/18 で 1 位 (KNN: 0.2799; ANET33: 0.0633)、3/18 で 2 位 (Cubist: 0.3795; ANET42: 0.0946; ANET10: 0.1359) でした。 DOは2/18に1位（ENR [0.0562; 26.19%]、LRSS [0.0899; 42.51%]）、3/18に2位（RF [0.3240、35.23%]、M5P [0.3704、40.23%]、LR [0.0584]） 、27.41%]) のモデル。

図 3 は、実際の AD 値とモデルによる予測 AD 値を比較したモデルの残差診断プロットを示しています。 観察結果は、LR​​ (A)、LRSS (B)、KNN (C)、BRT 9F)、GBM (G)、NNT (H)、DTR (I)、SVR の場合の実際の AD と予測 AD 値を示しました。 (J)、ENR (L)、ANET33 (M)、ANER64 (N)、ANET6 (O)、ELM (P)、および MARS (Q) には歪みがあり、平滑化された傾向は重なりませんでした。 ただし、実際の AD 値と予測 AD 値はより一致しており、RF (D)、XGB (E)、M5P (K)、および Cubist (R) では、ほぼ重複して平滑化された傾向が見られました。 モデルのうち、RF (D) と M5P (K) はどちらも、それぞれ低い値と高い値で予測 AD を過大評価および過小評価しました。 XGB と Cubist はどちらも低い値で AD 値を過大評価しており、XGB は Cubist の平滑化傾向に近づきました。 一般に、モデルがすべての値に正確に適合していることを示すため、勾配線と重なる平滑化された傾向が望ましいです。

18 の ML モデルによる実際の AD と予測された AD の比較。

分かりやすくするために、PV 表示によるユニタリ モデルを使用した 18 モードによる AD 予測における PV の部分依存プロファイルの比較を図 2 および図 3 に示します。 S2～S7。 部分依存プロファイルは i に存在しました。 PVの増加に伴ってAD予測の平均増加が起こる形（上昇トレンド）、（ii）PVの増加がAD予測の低下をもたらす逆トレンド、（iii）PVの増減が起こる水平トレンドは AD 予測に影響を与えず、(iv) i ～ iii の 2 つ以上の間で形状が切り替わる混合傾向です。 モデルの応答は、PV の変化、特に AD 予測応答を増減させる可能性のあるブレークポイントを超えた変化によって変化しました。

モデルのDOの部分依存プロファイル（PDP）は、上昇傾向を示したELMを除き、最初から、または性質iiおよびivのブレークポイント後のいずれかで下降傾向を持っています（i、図S2）。 TEMP PDP には上昇傾向 (i および iv) があり、ほとんどの場合 1 つ以上のブレークポイントで満たされていましたが、LRSS では水平傾向がありました (図 S3)。 SAL の PDP は、すべてのモデルにわたって典型的な下降傾向 (ii および iv) でした (図 S4)。 LR、LRSS、NNT、ENR、ANN6 では pH が典型的な下降傾向の PDP を示しましたが、RF、M5P、および SVR ではさまざまなブレークポイントで満たされた下降傾向が見られました。 他のモデルは、ブレークポイントで満たされた典型的な上昇傾向 (i および iv) を示しました (図 S5)。 TSSのPDPは、最後のブレークポイントまたは減少傾向（ANNT6、SVR;図S6）の後、プラトー（DTR、ANN33、M5P、GBM、RF、XFB、BRT）に戻る上昇傾向を示しました。 BOD PDP は一般に、ほとんどのモデルでブレークポイントで満たされた上昇傾向を示しました (図 S7)。

本研究では、公衆衛生上重要な優先事項と高い致死率を伴う新興病原体の日常的な判定に必要な所要時間を短縮するために、水域におけるアルツハイマー病の判定におけるMLの非常に貴重性を研究した。 ジャンら。 は以前、ML モデルがビブリオ属菌に対する費用対効果の高いリスク評価オプションを予測し、提供することを実証しました。 測定が容易な環境変数に基づいた河口環境におけるマイクロプラスチックの相対存在量30。

水域の pH (5.05 ～ 9.11) は、南アフリカの水のガイドラインである灌漑目的およびレクリエーション利用における pH 範囲 6.5 ～ 8.4 および 6.5 ～ 8.5 をそれぞれ満たしていませんでしたが 36、水域の平均 pH (7.76 ± 0.02) は満たしていました。 FAOの基準37。 病原体に関しては、Acinetobacter spp. それらは、広い pH (5 ～ 10) および温度 (-20 ～ 44 °C) の範囲で生存し、栄養素の利用可能性に関係なく、最適な長期生存温度は 4 ～ 22 °C であることが知られています 38。

水域で観測された EC (47.00 ～ 561.00 μS/cm) は、地表水における 2500 μS/cm という WHO ガイドラインを概ね満たしており 39、平均値 (218.66 ± 4.76 μS/cm) は 400 μS/cm および 700 μS/cm の許容限界内でした。 3000 µS/cm までの WHO および FAO の灌漑用水基準37。 水域の EC も、灌漑用水 EC 制限分類のクラス I (優良: ≤ 250 μS/cm) およびクラス II (良好: 250 ～ 750 μS/cm) のカテゴリーに分類されました40。 USEPA (米国環境保護庁) によると、漁業を支援するには 0.15 ～ 0.50 μS/cm の EC 範囲が必要であるため、水域の EC 濃度は一般に漁業に悪影響を及ぼします41。

TDS は水域内の有機物質と無機物質を合計しますが、一般に WHO の飲料水中の TDS 最大許容限度値 1000 mg/L TDS を超えませんでした39。 水域の TDS (23.00 ～ 279.00 mg/L) は、TDS < 300 mg/L (優良) という世界保健機関の基準に従っており、その平均 (110.53 ± 2.36 mg/L) は USEPA および WHO の基準値を超えません。飲料水 (500 mg/L)41,42。

しかし、水域の TBS 平均値は WHO ガイドラインの 5 NTU を超えていました39。 地表水の EC、TDS、TBS の上昇は、一般に廃水と人為的活動の投入に起因すると考えられています 43。 また、高レベルの EC、TDS、TBS は、河川水の視認性、清潔さ、安全性、美観、レクリエーション利用を損なうことが知られています44。 水域の平均 TSS (80.17 ± 5.09 mg/L) は、WHO (2006) の排水排出制限値 60 mg/L を超え、オーストラリアおよびニュージーランド (2000) のガイドライン制限値 (TSS < 0.03 mg/L) を超えました。水産養殖のための品質45,46。 さらに、水域の平均 BOD レベル (4.00 ± 0.10 mg/L) は、水生生物の地表水の許容限度 5 mg/L を満たしていました 47。 水域の BOD レベルが高くなると、水生生物が利用できる DO が枯渇し 48、一般に漁業や魚の収穫に悪影響を及ぼします。

この研究で得られた平均 AD (3.19 ± 0.03 log CFU/100 mL) は、南アフリカのダーバンにあるウムランガネ川流路沿いの病院廃水、下水処理場、非公式居住地、動物病院の排水の影響を受ける水域から報告された AD に匹敵します49。 観測された DO (8.82 ± 0.04 mg/L) と BOD (4.00 ± 0.10 mg/L) は両方とも、アシネトバクターの通性好気性特性と、廃水流出物から推定される河川の栄養成分が比較的高いことを示唆しました。 水域の平均 EC は 218.66 ± 4.76 μS/cm でした。 これは、河川中の有機炭素（DOC）レベルが高いことを示しています。 EC は DOC の間接的な指標であり 25,50,51、アシネトバクター特異的 ARG およびその他の ARG 量と関連があることが判明しています 25,52,53。 一般に、環境中の A. baumannii は、DO54 のレベルに関係なく生存できます。

この研究の結果により、アルツハイマー病は無視できる程度（陽性だが非常に弱い）、pH（r = 0.03）、SAL（r = 0.06）と相関し、マイナスにはTDS（r = − 0.05）、EC（r = − 0.04）と相関していることが明らかになりました。 ) (表 2)。 これらの結果は、アシネトバクターが広範囲の過酷な環境条件下で生存する能力に起因すると考えられます。 ADとBOD（r = 0.26）、TSS（r = 0.26）、およびTBS（r = 0.26）の間の有意な正の相関は、水生環境における栄養素およびDOC汚染の増加に伴うADのかなりの増加を示しました（図S7）。 また、研究結果では、TEMP と AD の間に中程度の正の相関関係が示され (r = 0.43)、体温が特定の限界点まで上昇すると AD が大幅に改善することが示唆されました 38。 AD は DO と中程度かつ逆相関しており (r = − 0.46)、これはアシネトバクターの存在量が嫌気性条件または低酸素レベルで増加することを示しています。

18 の ML モデルによる予測 AD 平均値と範囲値は異なりました。 本研究の結果は、予測の下限/上限と一般的な傾向特性の両方が、平均予測のみよりもはるかに重要であることを示唆しました。 ほとんどのアルゴリズムでは、平均予測値は高くなりましたが、下限と上限の AD 値がそれぞれ過大評価または過小評価されていました。 したがって、XGB と Cubist 以外のアルゴリズムは、水域での AD の予測には適していません。 RF、DTR、MARS43,55 など、ほとんどの ML アルゴリズムのパフォーマンスは、平均予測と回帰メトリクスの点で賞賛されていますが、ほとんどの研究では、予測の下限/上限や一般的な傾向特性の考慮が無視されています。これは、非常に低濃度で感染力が低い/強力な感染性微生物/毒物を扱う場合に非常に重要です。 また、何人かの研究者は、平均予測と感度の観点から、予測パフォーマンスにおいていくつかの ML アルゴリズムに対して XGB が優れていることを報告しました 43,55。 以前の研究では、RF モデルがビブリオ属菌の予測において XGB、SVR、ENR よりも高いレベルの精度を達成したことが示されています。 マイクロプラスチックの相対的な存在量については、下限/上限を含む実際の傾向特性は報告されていません30。 AD 予測におけるモデルの傾向カバレッジと境界特性の違いは、異なる程度または濃度での異なる環境変数の共起レベル/変化の複雑な相互作用を捉えるモデルの機能に起因します。 Cubist [3.1736 (1.1012–4.5300)] のパフォーマンスは、傾向と境界特性の点で XGB [3.1792 (1.1040–4.5828)] に匹敵することもわかりました。両モデルは他のモデルを上回りました。 この研究で観察されたほとんどのアルゴリズムの典型的な問題は、低濃度および高濃度での AD の過大評価と過小評価でした。 これらの限界は、このモデルが、より低いアルツハイマー病では高リスクであるという誤った警告を引き起こす可能性があるだけでなく、高濃度のアルツハイマー病ではより高いリスクを弱める可能性があることを示唆しました。 これらのモデルは、AD、PV、および根底にある人為的入力の間の非線形の複雑な関係を捉えることができなかったことを示しています。

それにもかかわらず、モデルの平均値に起因するモデルの AD 予測に対する個々の PV 変化の絶対寄与度は変動しました (図 2)。 この行動は、水域における一般的な人為的フラックスと結合した PV 間の複雑な相互作用の観点から解釈できる可能性があります。 特定の PV が結果変数 (AD) に及ぼす影響を評価するために他の PV が一定に保たれるモデルの動作とは異なり、いくつかの PV は同時に変動します。 これらの相互作用は、アルゴリズムによってかなりの程度まで捕捉され、アルゴリズムによる AD 予測に対する PV の寄与度のランキングに差異が生じます。 また、異なるアルゴリズムの固有の特性とデータ ノイズは、ML モデルで観察される変数の寄与の違いの主な原因です 30。

この研究では、XGB (MSE = 0.0059、RMSE = 0.0770、R2 = 0.9912、MAD = 0.0440) および Cubist (MSE = 0.0117、RMSE = 0.1081、R2 = 0.9827) の 4 つの指標を使用して評価された 18 の AI ベースのモデルの全体的なパフォーマンスを検討します。 ; MAD = 0.0437) は、水域における AD 予測において他のモデルを上回り、それぞれ 1 位と 2 位にランク付けされた最良のモデルでした (表 4)。 XGB は、他の微生物回帰研究と比較して、ほとんどの微生物回帰研究において最高のパフォーマンスを発揮する ML アルゴリズムであるという評判があります30。 Cubist は、土壌の全窒素、有機炭素、全硫黄、交換性カルシウム粘土などの土壌特性の予測において、部分最小二乗法、RF、MARS よりも優れた性能を発揮することが実証されています。 砂、陽イオン交換容量、pH と RF、分類、回帰ツリー、SVM、KNN は、地下に建設された湿地の流出水中の NH4-N と COD を予測します 56,57。 新型コロナウイルス感染症ワクチン接種の日々の普及予測において、Cubist は ENR、ガウス過程、スラブ (SPIKES)、および Spikes ML アルゴリズムを上回りました58。 また、Cubist は、左心室の圧力、容積、および応力の予測において XGB よりも優れていることが示されています 59。 XGB と Cubist のアンサンブルをさらに活用すると、水域での AD 予測のパフォーマンスを向上させることができます。 しかし、再利用目的で処理廃水中の糞便性大腸菌群含有量を分析する場合、ANN (R2 = 0.953) は Cubist モデル (R2 = 0.946) および LR (R2 = 0.481) よりも優れた予測係数を示すことが実証されました 60。 一般に、XGB には多次元の相互作用/関係を捕捉するツリーのアンサンブルが含まれていましたが、Cubist は線形回帰方程式と委員会ツリーベースの構造ノードの両方の長所を組み合わせて、変数と結果イベント間の線形および非線形の多次元関係を効果的に捕捉しました56。 結果は、ANET6、ANRT42、ANET33、M5P、および RF には、AD の予測において ML の中で 3、4、5、6、および 7 位に位置する MSE および RMSE があり、それらのパフォーマンスは実際の予測では避けるべきであることを示しています。予防目的での AD の予防。

TEMP は水域の AD を予測する上で最も重要な PV であり、RF、XGB、Cubist、BRT、NNT を含む 10/18 ML アルゴリズムによってランク付けされ、それぞれ 45.90%、43.00%、50.82%、44.87%、68.77% を占めました。また、ANET42、ANET10、ELM、M5P、および DTR の RMSE ドロップアウト損失はそれぞれ 82.31%、83.30%、57.00%、50.58%、および 57.58% でした。 観察された結果は、TEMP が水域内の他の PV および AD に及ぼした直接的および間接的な影響の観点から説明できます。 DOは温度の上昇とともに減少し、アシネトバクターの条件的好気性ライフスタイルを好みます。 また、温度が上昇すると水域内の有機物の分解が促進され、それによって BOD 含有量が高くなり、アルツハイマー病やその他の微生物の生命により多くの栄養素が提供されます。 その結果生じる水域における DOC の増加は EC の間接的な指標であり 25,50,51、水域におけるアシネトバクター特異的 ARG 量と関連があることが判明しています 25,52,53。 BOD は水域の AD 予測で特定されたもう 1 つの重要な特徴であり、3/18 モデルで 1 位 [MARS (182.96%)、LR (27.42%)、GBM (22.35%)]、8/18 モデルで 2 位 [KNN (42.69%)] にランクされました。 %)、XGB (38.60%); BRT (32.51%)、ELM (23.17%)、SVR (35.77%)、DTR (35.13%)、ENR (21.84%)、および LRSS (31.65%)]。 BOD は、下水流出、農業活動、雨水流出などの環境事象などの人為的投入物による栄養汚染の尺度です。 BOD は地表水の EC、TDS、TBS にも影響を及ぼします43。SAL は 2/18 (KNN、ANET33) モデルで最初の重要な特徴、3/18 (Cubist、ANET42、ANET6) モデルでは 2 番目に重要な特徴として特定されましたが、アシネトバクターは相対的にしか生存できません。人口密度は改善されずにSALが高くなります（図S4）。 遺伝子発現と機能タンパク質 61 、そして最終的にビブリオの増殖と繁殖 62 を促進するため、高密度が高塩分と関連しているビブリオ属の種とは異なり、高 SAL は増殖関連遺伝子発現の阻害作用があるため、AD には適していません。

残差診断プロットを使用した AD の 18 ML 予測モデルの感度分析では、LR (A)、LRSS (B)、KNN (C)、BRT (F)、GBM (G)、NNT (H)、DTR ( I)、SVR (J)、ENR (L)、ANET33 (M)、ANER64 (N)、ANET6 (O)、ELM (P)、および MARS (Q) はデータに最適に適合しませんでした。 これは、モデルが水域の AD の予測には適していないことを意味します。 一方、RF (D)、XGB (E)、M5P (K)、Cubist (R) などのモデルは、実際の AD 値と予測された AD 値、RF (D) と M5P の間の平滑化された傾向がより正確に一致し、ほぼ重なった平滑化された傾向でデータを適合させました。 (K) 下肢および上肢におけるそれぞれ過剰予測および過小予測された AD。 したがって、これは、より高次の真のリスクを弱めながら、おそらく無害なレベルで誇張されたリスク (AD) を予測していると解釈できます。 このようなモデルは、水域におけるアルツハイマー病の実際の事象を評価するのには適していません。 XGB と Cubist は両方とも、下肢の AD 値が実際の値よりわずかに高く予測しましたが、XGB は Cubist よりも近似した平滑化傾向を示しました。 この研究で評価された他のモデルと比較して、このデュオは最高であり、水質監視のための AD AI スマート システム設計に適用できる可能性があります。 XGB と Cubist のスタック モデルは、AD 値の下端で 2 つのモデルが持つ制限を上回り、克服する可能性があります。

18 のモードによる AD 予測に関する PV の PDP の全体的な概要 (図 S2 ～ S7) では、特定の PV のあらゆる程度の変化/フラックス、特にそのブレークポイントを超えた変化が、AD における対応するさまざまな応答を引き付けることがわかりました。 AD 予測応答を増減します。 前のセクションで説明したさまざまな形式の部分依存プロファイルは、関係をマッピングする際のモデルの感度と組み合わせた、PV と AD の間の直接的/間接的/複雑な相互作用も示しました。 要約すると、ほとんどのモデルにおけるADレベル（PDP）の増加は、特にDOが上昇傾向にあったELMを除くブレークポイント後のDOおよびSALの低下傾向に相当します（i;図S2およびS4）。 これらのパターンは、AD と PV の間の非線形関係を明らかにしました。 1 つ以上のブレークポイントを組み合わせたほとんどのモデルでは、TEMP と AD の間にほぼ増加ごとの関係が存在します。 LRSS は、AD と TEMP の間の関係がゼロであることを明らかにし、それらの間の関係をマッピングできないことを示しました。 アシネトバクターは広い pH 範囲を持つことが示されていますが、LR、LRSS、NNT、ENR、ANN6 による pH の典型的な下降傾向 PDP は、RF、M5P、および SVR のブレークポイントで満たされていますが、他のモデルは典型的な上昇傾向を示しました。 pH が 5.02 から 10 に上昇するとアシネトバクターの増殖が促進されるため、このモデルの弱点を知ることができます 38。 ほとんどのモデルにおけるブレークポイントに関係なく、AD 予測反応は BOD の一般的な増加と一致しており、水域におけるアシネトバクターの個体数密度にとって栄養素が重要であることが明らかになりました。

さらに、この現在の研究の長所はさておき、その経路に沿って病院および都市廃水が流入する水域のアルツハイマー病を評価した最初の研究であり、2 つの ML アルゴリズムがアルツハイマー病を最適かつ正確に予測し、アルツハイマー病判定のための SAIS を開発するための有望な候補であることが証明され、それによってアルツハイマー病の診断を短縮することができました。所要時間を短縮し、実験的アプローチにかかる労力を削減します。 また、ML は、従来の数学モデルでは確実にマッピングできなかった AD と PV 間の非線形で複雑な多次元相互作用や、AD と PV に固有の人為的燃料を捕捉することができました 63。 さらに、ML は改善に適しており、いくつかの水管理環境にわたって利用できます。 しかし、水系病原体の確率的分布は水柱内の深さにわたる空間的広がりと時間的持続時間の両方によって支配されるため、本研究の欠点は、ML モデルの予測を改善できる時空間共変量が欠如していることです。 今後の研究では、アルツハイマー病判定のための AI ベースの予測フレームワークを開発する際に、時空間的および地理空間的インプットを含めるだけでなく、幅広い社会経済活動/分野からデータを探す必要があります。

本研究は、SAIS が水域におけるアルツハイマー病の評価にかかる所要時間を短縮するための証拠に基づいた戦略であることを証明した。 それにより露出を最小限に抑えます。 この研究で特定された最良のモデル (XGB/Cubist) は、スタンドアロン SAIS (XGB/Cubist、XGB-Cubist アンサンブル、または Web アプリ) に開発することも、水域の PV 推定用の既存の機器に統合して、微生物のタイムリーな意思決定を強化することもできます。灌漑やその他の目的の水域の性質。 この研究では、ほとんどのモデルにおいて、水域におけるアルツハイマー病を予測するための重要な候補として、温度とBODも明らかになりました。 最後に、水域のアルツハイマー病は、水域の物理化学的変数の動態に依存する AI ベースのスマート システムを介して、低コストかつ時間効率の高い方法で正確かつ確実に予測できます。

この研究中に生成または分析されたすべてのデータは、この公開記事とその補足情報ファイルに含まれています。

アシネトバクター密度

人工ニューラルネットワーク

生化学的酸素要求量

ブースト回帰ツリー

立体主義回帰

決定木回帰

溶存酸素

エラスティックネット回帰

電気伝導性

広範な薬剤耐性

極端な勾配ブースト回帰

究極の学習マシン

勾配ブーストマシン

灌漑源水

K 最近傍

線形回帰

段階的選択による線形回帰

機械学習

平均二乗誤差

絶対偏差の中央値

多剤耐性

多変量適応回帰スプライン

都市および病院の廃水排水

ニューラルネットワーク

物理化学的変数

ランダムフォレスト

二乗平均平方根誤差

塩分濃度

スマート人工知能システム

サポートベクトル回帰

温度

総溶解固形分

濁度

廃水処理プラント

Sofia, C.、Angela, R.、Luminiţa, SI、Raluca, F. & Iuliana, T. アシネトバクター属菌の文化的および生化学的特徴。 病棟から分離された菌株。 J. 前へ医学。 12(3–4)、35–42 (2004)。

Google スカラー

Krizova, L.、Maixnerova, M.、Sedo, O. & Nemec, A. Acinetobacter bohemicus sp. 11月チェコ共和国の自然の土壌と水の生態系に広く分布しています。 システム。 応用微生物。 37、467–473 (2014)。

論文 PubMed Google Scholar

Gundi, VA、Dijkshoorn, L.、Burignat, S.、Raoult, D. & La Scola, B. 臨床的に重要な新興アシネトバクター種の同定のための部分的な rpoB 遺伝子配列解析の検証。 微生物。 155、2333–2341 (2009)。

記事 CAS Google Scholar

Nemec, A. et al. Acinetobacter pigtii sp.の提案による、Acinetobacter calcoaceticus-Acinetobacter baumannii 複合体の遺伝子型および表現型の特徴付け。 11月 (以前のアシネトバクター ゲノム種 3) およびアシネトバクター ノソコミアリス sp. 11月 (以前のアシネトバクターゲノム種 13TU)。 解像度微生物。 162、393–404 (2011)。

論文 CAS PubMed Google Scholar

Nemec, A. et al. アシネトバクター セイファーティ sp. 11月、ヒトの臨床検体から分離されたアシネトバクター・カルコアセティクス-アシネトバクター・バウマンニ複合体のメンバー。 内部。 Ｊ．Ｓｙｓｔ． 進化。 微生物。 65(Pt 3)、934–942。 https://doi.org/10.1099/ijs.0.000043 (2015)。

論文 CAS PubMed Google Scholar

チョイ、ＪＹらアシネトバクター種は、種の調査や抗菌剤耐性の観察など、さまざまな環境から分離されます。 診断します。 微生物。 感染ディス。 74、177–180 (2012)。

論文 CAS PubMed Google Scholar

チョイ、ＪＹらアシネトバクター・クーキー sp. 11月、土壌から分離。 内部。 Ｊ．Ｓｙｓｔ． 進化。 微生物。 63、4402–4406 (2013)。

論文 CAS PubMed Google Scholar

マラヴィッチ、A. 他都市部の河川環境は、多剤耐性および ESBL を産生する臨床的に重要なアシネトバクター属菌の発生源です。 環境。 科学。 汚染。 解像度 23、3525–3535 (2016)。

記事 Google Scholar

Bhuyan, S. 海洋環境から分離されたアシネトバクター遺伝子種およびブレビバクテリウム ハロトレランスによるバイオ界面活性剤/バイオ乳化剤に関する研究。 博士論文、インド、プネー大学 (2012)。

Luo、QJ et al. 船舶用ディーゼル油を分解するアシネトバクター属の分離と特性評価 Y2株。 アン。 微生物。 6(2)、633–640 (2013)。

記事 Google Scholar

Peleg, AY、seifert, H. & Paterson, DL アシネトバクター・バウマニ: 成功した病原体の出現。 クリン。 微生物。 黙示録21、538－582。 https://doi.org/10.1128/CMR.00058-07 (2008)。

論文 CAS PubMed PubMed Central Google Scholar

Adegoke、AA、Mvuyo、T. & Okoh、AI 有益な共生生物として遍在するアシネトバクター種ですが、徐々に抗生物質耐性遺伝子が増えてきています。 J. 基本的な微生物。 52、620–627 (2012)。

論文 CAS PubMed Google Scholar

Mujumdar, AS & Balu, C. インド西海岸から分離された海洋性アシネトバクターの分離、バイオタイピング、生化学的および生理学的特性評価。 内部。 J.Cur. 微生物。 応用科学。 2、277–301 (2015)。

Google スカラー

Palavecino, E.、Greene, SR & Kilic, A. 2019 年から 2022 年までのカルバペネム耐性アシネトバクター バウマンニにおけるカルバペネマーゼ遺伝子と抗生物質耐性の特性評価。感染。 ディス。 54(12)、951–953。 https://doi.org/10.1080/23744235.2022.2113137 (2022)。

記事 CAS Google Scholar

ヒューベニー、J.ら。 環境サンプルおよびアシネトバクター属菌におけるカルバペネム耐性の特性評価ポーランドの廃水と河川水から隔離されています。 科学。 トータル環境。 822、153–437 (2022)。

記事 Google Scholar

Eze, EC、El Zawalaty, ME & Pillay, M. 南アフリカの三次病院の高リスク排水から分離されたアシネトバクター・バウマニの抗生物質耐性とバイオフィルム形成。 J. Global Antimicrob. 抵抗する。 27、82–90 (2021)。

記事 CAS Google Scholar

アナ、C.、ジョアナ、S.、ポーラ、T. アシネトバクター属食品と飲料水への: レビュー。 食品微生物。 95、103675。https://doi.org/10.1016/j.fm.2020.103675 ​​(2021)。

記事 CAS Google Scholar

Berlau, J.、Aucken, HM、Houang, E. & Pitt, TL アシネトバクター属菌の分離野菜由来のバウマニを含む：院内感染への影響。 J. 病院感染する。 42、201–204。 https://doi.org/10.1053/jhin.1999.0602 (1999)。

論文 CAS PubMed Google Scholar

Houang、ET et al. 香港におけるアシネトバクター属菌の疫学と感染制御への影響。 Ｊ．クリン． 微生物。 39、228–234 (2001)。

論文 CAS PubMed PubMed Central Google Scholar

Ruimy、R. et al. オーガニックおよび従来の果物や野菜には、抗菌剤に対する耐性を示すグラム陰性菌が同数含まれています。 環境。 微生物。 12、608–615 (2010)。

論文 CAS PubMed Google Scholar

Dahiru, M. & Enabulele, O. 新鮮なニンジン (Daucus carota subsp. sativus) におけるアシネトバクターの発生率。 内部。 Ｊ．Ｂｉｏｌ． バイオモル。 農業。 食品バイオテクノロジー。 工学 9、1203–1207 (2015)。

Google スカラー

アル・アトロウニ、A. 他レバノンにおけるoxa-72を産生するAcinetobacter calcoaceticusの最初の報告。 新しい微生物。 新しい感染者。 9、11–12 (2016)。

記事 CAS Google Scholar

Carvalheira, A.、Silva, J. & Teixeira, P. 多剤耐性アシネトバクター属菌の感染源としてのレタスと果物。 食品微生物。 64、119–125 (2017)。

論文 CAS PubMed Google Scholar

ゼカール、FM 他。 農場から市場へ: 北アフリカ地域の果物や野菜に存在する、第三世代セファロスポリンに耐性のあるグラム陰性菌。 フロント。 微生物。 1569 年 8 月 (2017 年)。

記事 Google Scholar

Murphy, A.、Barich, D.、Fennessy, MS & Slonczewski, JL オハイオ州の風光明媚な川では、下水処理場の排水の下流で、アシネトバクター・テトラサイクリン耐性やマクロライド耐性などの抗生物質耐性遺伝子の上昇が見られます。 微生物。 スペクトル。 9、e00941-e1021。 https://doi.org/10.1128/Spectrum.00941-21 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

ヤン、Ｘら。 水から医薬品を除去するための潜在的なバイオ炭の機械学習支援評価。 環境。 解像度 214、113953。https://doi.org/10.1016/j.envres.2022.113953 (2022)。

論文 CAS PubMed Google Scholar

Liu, F.、Jiang, X. & Zhang, M. 2019 年の世界的疾病負荷調査による世界的負担分析と偶発的一酸化炭素中毒の AutoGluon 予測。Environ。 科学。 汚染。 解像度内部。 29(5)、6911–6928 (2022)。

論文 PubMed Google Scholar

フォレスト、IS et al. 冠動脈疾患の機械学習ベースのマーカー: 2 つの縦断コホートでの導出と検証。 ランセット 401、215–225。 https://doi.org/10.1016/S0140-6736(22)02079-7 (2023)。

論文 PubMed Google Scholar

グズマン、CB 他米国全土の雨水の水質と流域の類型の比較: 機械学習のアプローチ。 水耐性 216、118283。https://doi.org/10.1016/j.watres.2022.118283 (2022)。

記事 CAS Google Scholar

Jiang、J.ら。 病原性ビブリオ属の動的な変化を予測するための機械学習海洋環境にはマイクロプラスチックが豊富に存在します。 環境。 汚染。 305、119257。https://doi.org/10.1016/j.envpol.2022.119257 (2022)。

論文 CAS PubMed Google Scholar

アメリカ公衆衛生協会 (APHA)。 上下水の標準検査方法 第 21 版 (APHA、2005)。

Google スカラー

マサチューセッツ州アデウォイン、ケネディ州エボマ、AI のオコー 南アフリカ、東ケープ州の選択された淡水資源から回収されたアシネトバクター・バウマニの抗生物質プロファイル。 病原体 10(9)、1110 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Biecek, P. & Burzykowski, T. 解説モデル分析: 探索 (Chapman および Hall/CRC、2021)。

Google Scholar を予約する

Namkung, J. マイクロバイオーム研究のための機械学習手法。 Ｊ．Ｍｉｃｒｏｂｉｏｌ． 58(3)、206–216 (2020)。

論文 PubMed Google Scholar

Hansen, LK 確率的線形学習: 正確なテストとトレーニングのエラー平均。 ニューラルネットワーク。 6(3)、393–396 (1993)。

記事 Google Scholar

DWAF (水務林業局)。 水質ガイドライン Vol. 8、2–68 (水問題林業省、1996 年)。

Google スカラー

Ayers、RS & Westcott、DW 農業用の水質。 FAO 灌漑排水論文、No. 29 (FAO、1985)。

Google スカラー

Dekic, S.、Hrenovic, J.、Ivankovic, T. & van Wilpe, E. 異なる温度と pH の水中での ESKAPE 病原体アシネトバクター バウマニの生存。 水科学テクノロジー。 78(5–6)、1370–1376 (2018)。

論文 PubMed Google Scholar

世界保健機関。 飲料水の水質に関するガイドライン (世界保健機関、2017)。

Google スカラー

Abbas, H.、Khan, MZ、Begum, F.、Raut, N.、Gurung, S. パキスタン、ヒミラヤ山脈西部の灌漑用水の物理化学的性質。 ater Supply 20、3368–3379 (2020)。

記事 CAS Google Scholar

ウセパ。 国家一次飲料水規制 EPA 816-F-09–004 (USEPA、2009)。

Google スカラー

誰が。 飲料水品質に関するガイドライン、第 4 版。 https://www.who.int/publications/i/item/9789241548151 (2011)。

イブラヒム、B.ら。 複数の水源におけるヒ素濃度のモデリング: さまざまな機械学習手法の比較。 グラウンドw。 持続する。 開発者 17、100745 (2022)。

記事 Google Scholar

カナダ保健省。 カナダのレクリエーション用水の水質に関するガイドライン。 所蔵: 水、大気、気候変動局、健康環境および消費者安全部門、第 3 版。 (カナダ保健省、2012 年)。

世界保健機関。 農業および水産養殖における廃水、排泄物、雑排水の安全な使用に関するガイドライン。 (世界保健機関、2006)。 https://apps.who.int/iris/handle/10665/78265。

淡水および海水の水質に関するオーストラリアおよびニュージーランドのガイドライン。 ガイドライン: 第 1 巻 (2000)。 https://www.waterquality.gov.au/anz-guidelines/resources/previous-guidelines/anzecc-armcanz-2000。

Bhatnagar, A. & Devi, P. 池の魚の養殖管理のための水質ガイドライン。 内部。 Ｊ．Ｅｎｖｉｒｏｎ． 科学。 5、1980 ～ 2009 年 (2013)。

Google スカラー

プレト、JVR、ミーゴ副社長およびアルボレダ、MDM フィリピン、ブラカン州のマリラオ・メイカウアヤン・オバンド川水系の予備水質および堆積物品質評価 J. 健康汚染。 200609 年 10 日（2020 年）。

論文 PubMed PubMed Central Google Scholar

Govender, R.、Amoah, ID、Kumari, S.、Bux, F. & Astenström, T. アシネトバクターおよびステノトロフォモナス・マルトフィリアの多剤耐性環境分離株の検出: 市中感染に対する潜在的な脅威? Ｊ．Ｅｎｖｉｒｏｎ． 科学。 健康。 A 56(2)、213–225。 https://doi.org/10.1080/10934529.2020.1865747 (2021)。

記事 CAS Google Scholar

モンテイロ、MTF 他アマゾンの森林に覆われたブラックウォーター集水域の小川の水中の溶存有機炭素濃度と電気伝導率との関係。 植物のエコル。 ダイバー。 7、205–213。 https://doi.org/10.1080/17550874.2013.820223 (2014)。

記事 Google Scholar

Ye、LL、Wu、XD、Liu、B.、Yan、DZ & Kong、FX 富栄養化した太湖とその支流における溶存有機炭素の動態と、秋から冬にかけての細菌の豊富さに対するそれらの影響。 J.フレッシュエコル。 30、129–142。 https://doi.org/10.1080/02705060.2014.939108 (2015)。

記事 CAS Google Scholar

ガーナー、E.ら。 本格的な再生水配水システムおよび対応する飲料水システムにおける抗生物質耐性遺伝子のメタゲノム特性評価。 環境。 科学。 テクノロジー。 52、6113–6125。 https://doi.org/10.1021/acs.est.7b05419 (2018)。

論文 ADS CAS PubMed Google Scholar

Wang, C. & Hon, P.-Y. 再生水配水システムにおけるゲノム分解メタゲノミクスおよび抗生物質耐性遺伝子解析。 水 12、3477 (2020)。

記事 Google Scholar

Dekic, S.、Jasna, H.、van Erna, W.、Chantelle, V. & Ivana, G.-B. さまざまな酸素条件にさらされた水環境における新興病原体アシネトバクター・バウマニの生存。 水科学テクノロジー。 80(8)、1581–1590。 https://doi.org/10.2166/wst.2019.408 (2019)。

論文 CAS PubMed Google Scholar

Zhuang, X. & Zhou, S. 機械学習アプローチを使用したバクテリアベースのコンクリートの自己修復能力の予測。 計算します。 メーター。 Continua 59、1–10 (2019)。

Google スカラー

Clingensmith, CM & Grunwald, S. 米国本土全域の土壌特性を予測し、vis-NIR モデルを解釈。 センサー 22、3187。https://doi.org/10.3390/s22093187 (2022)。

論文 ADS CAS PubMed PubMed Central Google Scholar

グエン、XC 他。 機械学習アルゴリズムを使用して、地下に構築された湿地の設計をサポートするための新しいアプローチを開発します。 Ｊ．Ｅｎｖｉｒｏｎ． 管理。 301、113868。https://doi.org/10.1016/j.jenvman.2021.113868 (2022)。

記事 CAS Google Scholar

Oyewola, DO、Dada, EG & Misra, S. パンデミックと戦うための毎日の新型コロナウイルス感染症 (COVID-19) ワクチン普及を最適化するための機械学習。 ヘルステクノロジー。 12、1277–1293。 https://doi.org/10.1007/s12553-022-00712-4 (2022)。

記事 Google Scholar

ダビリ、Y.ら。 機械学習を使用した左心室メカニクスの予測。 フロント。 物理学。 https://doi.org/10.3389/fphy.2019.00117 (2019)。

論文 PubMed PubMed Central Google Scholar

Sbahi, S.、Ouazzani, N.、Hejjaj, A. & Mandi, L. 再利用の可能性を考慮した多層土壌層システムによる処理廃水中の糞便性大腸菌群含有量を予測するためのニューラル ネットワークおよびキュビスト アルゴリズム。 Ｊ．Ｅｎｖｉｒｏｎ． クオリティ。 50、144–157。 https://doi.org/10.1002/jeq2.20176 (2021)。

論文 CAS PubMed Google Scholar

Naughton, LM、Blumerman, SL、Carlberg, M. & Boyd, EF ビブリオ種間の浸透圧適応と腸炎ビブリオの独特のゲノム特徴と生理学的反応。 応用環境。 微生物。 75(9)、2802–2810。 https://doi.org/10.1128/AEM.01698-08 (2009)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Whitaker, WB, Parent, MA & Naughton, LM 異なる塩濃度での増殖による、pH および温度ストレスに対する腸炎ビブリオ O3:K6 の応答の調節。 応用環境。 微生物。 76(14)、4720–4729。 https://doi.org/10.1128/AEM.00474-10 (2010)。

論文 ADS CAS PubMed PubMed Central Google Scholar

ロング、B.ら。 機械学習と合成生物学を活用した半連続的な藻類の培養により、再生可能燃料の生産性が高まります。 ナット。 共通。 13(1)、1–11 (2022)。

記事 ADS MathSciNet Google Scholar

リファレンスをダウンロードする

南アフリカ国立研究財団は、固有の助成金番号 135441 で助成金を獲得したことが認められています。アデウォイン氏は、助成金番号 99767 および 116387 で設立されたイタリア世界科学アカデミー (NRF/TWAS) に感謝しました。エクンダヨ氏は、アフリカ・ドイツのネットワークに感謝しました。 Excellence in Science (AGNES)、連邦教育研究省 (BMBF)、およびアレクサンダー・フォン・フンボルト財団 (AvH) からの資金援助。

SAMRC 微生物水質モニタリングセンター、フォートヘア大学、アリス、東ケープ州、南アフリカ

テミトープ・C・エクンダヨ、メアリー・A・アデウォイン、エティノサ・O・イグビノサ、アンソニー・I・オコー

ダーバン工科大学バイオテクノロジーおよび食品科学学部、Steve Biko Campus、Steve Biko Rd、Musgrave、Berea、4001、ダーバン、南アフリカ

テミトープ C. エクンダヨ & オルワトシン A. イジャバデニ

ナイジェリア、オンド、オンド医科大学微生物学部

テミトペ・C・エクンダヨ

アンカー大学自然・応用・健康科学部生物科学科、Ayobo Road、Ipaja、PMB 001、ラゴス、ナイジェリア

メアリー・A・アデウォイン

ベニン大学生命科学部微生物学科、私設郵便袋 1154、ベニン市、300283、ナイジェリア

エティノサ・O・イグビノサ

シャルジャ大学健康科学部環境健康科学部、私書箱 27272、シャルジャ、アラブ首長国連邦

アンソニー・I・オコー

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

概念化: TCE; アマ; 調査: TCE; アマ; ソフトウェアおよびフォーマル分析: TCE; リソース: AIO; 執筆 - オリジナル草案の準備と解釈: TCE; アマ; AIO; EOI; OAI; 監修：AIO 資金調達: AIO; 知的コンテンツの批判的レビュー: TCE。 アマ; AIO; EOI; OAI; 著者全員が執筆、レビューと編集に貢献し、原稿の最終版の出版を承認しました。

テミトペ・C・エクンダヨへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Ekundayo, TC、Adewoyin, MA、Ijabadeniyi, OA 他都市および病院の廃水が流入する水域におけるアシネトバクター密度を機械学習に基づいて測定します。 Sci Rep 13、7749 (2023)。 https://doi.org/10.1038/s41598-023-34963-6

引用をダウンロード

受信日: 2023 年 3 月 6 日

受理日: 2023 年 5 月 10 日

公開日: 2023 年 5 月 12 日

DOI: https://doi.org/10.1038/s41598-023-34963-6

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。