Detailansicht
Prediction of antibiotic resistance in Staphylococcus aureus using the machine learning pipeline ALPAR
Viktoria Maria Berndorfer
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Chemie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Biologische Chemie
Betreuer*in
David Berry
DOI
10.25365/thesis.79173
URN
urn:nbn:at:at-ubw:1-21124.63161.178437-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Steigende Antibiotikaresistenzen werden zunehmend mehr zur Gefahr für den Menschen. Von den Auswirkungen sind mehrere Bereichen wie das Gesundheitswesen, die Landwirtschaft, die Viehzucht und die Umwelt betroffen. Krankheitserreger wie Staphylococcus aureus sind weltweit für viele Krankenhausinfektionen verantwortlich und weisen zunehmend Multiresistenzen auf, was den Behandlungserfolg schwierig gestaltet. Der technische Fortschritt im Bereich künstliche Intelligenz und die Verfügbarkeit von größeren Datenmengen haben dazu geführt, dass WissenschaftlerInnen maschinelles Lernen im Kampf gegen Antibiotikaresistenz einsetzen. Ziel dieser Arbeit ist es, die neu publizierte Pipeline ALPAR (Automated Learning Pipeline for Antimicrobial Resistance) für S. aureus zu etablieren. Für das Trainieren der Modelle, werden öffentlich verfügbare Genomsequenzdaten herangezogen. Anschließend wird deren Leistung anhand verschiedener Bewertungsmaße evaluiert und experimentell validiert. Hierfür werden Minimale Hemmkonzentration (MHK) Tests an einer Kollektion externer S. aureus Isolate durchgeführt. Die experimentellen Ergebnisse werden schließlich mit den Vorhersagungen der ALPAR Pipeline und dem Referenztool ABRicate verglichen. Eine Analyse der wichtigsten Merkmale im Vorhersage-Prozess konnte viele bereits bekannte Resistenzgene nachweisen und potentiell unbekannte Kandidaten identifizieren. In der Validierung schnitten alle Modelle mit hoher Leistung ab, allerdings konnten starke Unterschiede in der Generalisierbarkeit festgestellt werden. Diese Arbeit betont die Bedeutung der experimentellen Validierung im maschinellen Lernen und zeigt die Übertragbarkeit der ALPAR Pipeline auf andere Bakterienspezies.
Abstract
(Englisch)
Antimicrobial resistances (AMR) are an emerging threat to humans and has a great impact in various fields like health, agriculture, animal farming, and the environment. Pathogens like Staphylococcus aureus often exhibit multi-drug resistance and are responsible for many hospital-acquired infections worldwide. Advances in artificial intelligence and increasingly available genomic data have motivated researchers to employ machine learning in the prediction of antimicrobial resistance. This thesis aims to establish the novel pipeline ALPAR (Automated Learning Pipeline for Antimicrobial Resistance) for the high priority pathogen S. aureus. Publicly available whole genome sequence data is utilized to train machine learning models, which are then evaluated for their performance. Antimicrobial susceptibility testing by Minimum Inhibitory Concentration (MIC) assays is conducted for a S. aureus isolate collection to experimentally validate the predictions made by the pipeline. Finally, the predicted resistance phenotypes are compared to the predictions of the benchmark tool ABRicate. In the analysis of the most important features in the prediction process, known resistance genes as well as promising new candidate AMR determinants were identified. Although all models demonstrated high Matthews Correlation Coefficient (MCC) values in validation, their generalization varied significantly. This work emphasizes the importance of experimentally verifying the performance of machine learning models and demonstrates the transferability of ALPAR to other bacterial species.
Schlagwörter
Schlagwörter
(Deutsch)
Antibiotika Resistenz Vorhersage Staphylococcus aureus Maschinelles Lernen ALPAR
Schlagwörter
(Englisch)
Antibiotic Resistance Prediction Machine Learning Staphylococcus aureus ALPAR
Autor*innen
Viktoria Maria Berndorfer 
Haupttitel (Englisch)
Prediction of antibiotic resistance in Staphylococcus aureus using the machine learning pipeline ALPAR
Publikationsjahr
2025
Umfangsangabe
94 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
David Berry
Klassifikationen
42 Biologie > 42.30 Mikrobiologie ,
54 Informatik > 54.80 Angewandte Informatik
AC Nummer
AC17632051
Utheses ID
77338
Studienkennzahl
UA | 066 | 863 | |