利用深度学习从宏基因组数据中预测抗生素抗性基因——DeepARG

一句话评价

利用深度学习从宏基因组数据中预测抗生素抗性基因

文章信息
题目：DeepARG: a deep learning approach for predicting antibiotic resistance genes from metagenomic data
杂志：Microbiome
时间：2018
链接: DOI： 10.1186/s40168-018-0401-z

文章介绍：

随着抗生素耐药率的不断上升，人类面临着需要扩大和全面的全球监测，尤其需要的是改进监测环境介质（如废水、农业废弃物、食品和水）的方法，以确定新的抗生素抗性基因（antibiotic resistance genes (ARGs）的潜在来源、基因交换的热点以及ARGs的传播和人类接触的途径。二代测序现在能够直接访问和剖析总宏基因组DNA，其中ARGs通常基于对现有数据库的序列搜索的“best hits”来识别或预测。但是，这种方法产生了很高的假阴性率。为了解决这些限制，作者在这里提出一种深度学习方法，使用所有已知的ARGs类别创建的不同矩阵。分别针对短读长序列和全基因长度序列构建了两种深度学习模型：DeepARG-SS 和DeepARG-LS。

对30个抗生素耐药类别的深度学习模型的评价表明，DeepARG模型可以同时预测高精度的ARGs（>0.97）和召回率（>0.90）。与典型的best hits方法相比，该模型显示出一个优势，产生的假阴性率始终较低，因此整体召回率较高（>0.9）。随着越来越多的数据可用于表示ARGs类别，由于底层神经网络的性质，DeepARG模型的性能有望进一步提高。他们最新开发的ARG数据库DeepARG-DB包含了高度可信的预测的ARGs和广泛的手动检查，极大地扩展了当前的ARG存储库。

DeepARG的模型和数据库网址：

http://bench.cs.vt.edu/deeparg.

碎碎念
各个领域都开始探索使用深度学习的方法解决问题了。深度学习、抗生素抗性、宏基因组三个热点方向，但是相关文章好像并不多。