图神经网络与经典机器学习预测鲍曼不动杆菌碳青霉烯耐药

Frontiers in Bioinformatics · 2026-09-28 · 期刊论文

• 一句话结论：在2448个基因组的二分类数据集上，随机森林在内部交叉验证中表现最佳，图卷积网络则提供系统层面的基因组解释，提示耐药可能反映多层协同防御体系，但需谨慎解读个体基因排名。
• 研究设计与做法：研究为计算建模与基准比较：最终二分类数据集2448个基因组，采用5个随机种子与10折分层交叉验证比较机器学习与图模型，并在BV-BRC亚洲独立验证队列2500个基因组中验证；材料未报告随访时长。
• 主要结果：随机森林基于基因袋表示取得内部最佳性能，准确率0.9328±0.0175、ROC-AUC 0.9650±0.0138；在独立亚洲队列中准确率0.7728、ROC-AUC 0.8392。图卷积网络基于基因邻接图经事后可解释性分析，优先给出与三层耐药架构一致的基因。
• 机制或解释：作者提出候选三层耐药架构：经典快速响应耐药基因、以GDP/UDP-差向异构酶为中心的细胞表面“糖盾”、以及涉及DnaA与醌氧化还原酶1的代谢“指挥中心”；蛋白互作富集、GO富集、结构建模与分子对接支持其生物学连贯性与结构合理性。
• 局限与边界：局限包括：解释稳定性分析仅识别出可重复的共识子集，个体基因排名需谨慎解读；独立验证性能明显低于内部验证，提示泛化受限；材料未报告人群构成、单中心与否及利益冲突。
• 可否落地：对科研的含义是提示GDP/UDP-差向异构酶与醌氧化还原酶1可作为后续实验验证候选，并提示预测与系统解释结合的框架价值；对临床尚无直接应用证据。证据档位为C，属计算预测与解释性证据，不足以下结论其临床可用性。

🔗 打开原文

Irfan Sharif Shaik, Morteza Sarmadi

本文摘自《每日前沿研究简报 · 2026-09-30》「信息科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。