مقایسه الگوریتم های یادگیری ماشین برای شناسایی ژن های مقاوم به آنتی بیوتیک (ARGs) در میکروبیوم خاک های کشاورزی؛ مطالعه موردی در شرق آسیا

با گسترش روزافزون مقاومت آنتی بیوتیکی، شناسایی دقیق و جامع ژن های مقاومت آنتی بیوتیکی (ARGs) در محیط های طبیعی به ویژه خاک های کشاورزی، به یکی از دغدغه های مهم در حوزه سلامت عمومی و زیست محیطی تبدیل شده است. در سال های اخیر، بهره گیری از الگوریتم های یادگیری ماشین به عنوان رویکردی نوین برای تحلیل داده های پیچیده متاژنومیکی و بهبود شناسایی ARGs مورد توجه قرار گرفته است. در پژوهش حاضر، چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی، تقویت گرادیانی، ماشین بردار پشتیبان و شبکه عصبی چند لایه  با هدف شناسایی ژن های مقاوم در میکروبیوم خاک های کشاورزی دو کشور هند و چین مورد مقایسه قرار گرفتند. داده های متاژنومیکی از پایگاه داده NCBI استخراج و توسط ابزار ARGs-OAP پردازش شدند. مجموعه ای از ویژگی های زیستی شامل محتوایGC ، فراوانی آمینواسیدها و کدون ها استخراج گردید. تفاوت آماری میان ژن های مقاوم و غیرمقاوم با آزمون Mann–Whitney  بررسی شد و تنها ویژگی های معنادار جهت آموزش مدل ها انتخاب شدند. نتایج نشان داد که مدل ها، به ویژه جنگل تصادفی (با دقت ۹۸%)، قادر به شناسایی ژن های مقاوم با عملکرد بالا حتی در شرایط داده های نامتوازن و حجم آموزش محدود بودند. این یافته ها نشان دهنده کارایی بالای ویژگی های زیستی منتخب و الگوریتم های یادگیری ماشین در شناسایی ARGs در میکروبیوم خاک های کشاورزی شرق آسیا است، و می تواند به عنوان ابزاری کارآمد در سیاست گذاری های زیست محیطی و کنترل گسترش مقاومت آنتی بیوتیکی مورد استفاده قرار گیرد.

کلیدواژه ها:

ژن های مقاوم ، مقاومت آنتی بیوتیکی متاژنومیک ، میکروبیوم خاک ، یادگیری ماشین