基于微生物组的随机森林预测肉鸡胴体弯曲杆菌污染

《BMC Microbiology》：Microbiota-based prediction of Campylobacter contamination in broiler carcasses using random forest

　　

摘要

背景

弯曲杆菌是欧洲人畜共患疾病的首要病因，禽肉是人类感染的主要来源。尽管采取了控制措施，但肉鸡胴体上高水平的弯曲杆菌仍是重大的公共卫生问题。近期研究表明，胴体微生物群落可能影响病原体的污染，但这种关系对于弯曲杆菌而言在很大程度上尚未得到探索。因此，本研究旨在确定是否可以使用基于树的机器学习方法（随机森林），根据屠宰结束时和冷藏储存后的微生物群落概况来预测肉鸡胴体上的弯曲杆菌污染状况。被确定为预测因子的细菌类群可以作为肉鸡胴体上弯曲杆菌污染的间接微生物组指标。

方法

利用314个肉鸡胴体样本的微生物学数据建立了随机森林模型。这些模型整合了基于培养的弯曲杆菌定量数据和通过16S rRNA基因宏条形码表征的细菌群落。使用屠宰后（D0）和冷藏储存后（D7）采集的数据建立了两个模型。当弯曲杆菌浓度超过1 log?? CFU/mL时，样本被归类为"阳性"，低于该阈值时则归类为"阴性"。

结果

随机森林模型取得了稳健的表现：D0时的准确率为92.8%，D7时为99.6%，D0和D7的AUC均为1。D0时最具预测力的类群包括与粪杆菌属未知种和拟杆菌属相关的ASVs，在部分依赖图中均显示出边际正效应，表明弯曲杆菌阳性状态的概率增加。相反，D0时的其他重要类群，如乳杆菌属未知种、盐单胞菌和林可乳杆菌属未知种，对模型预测结果表现出负边际效应。在D7时，识别出不同的细菌物种作为关键预测因子，包括假单胞菌属、黄杆菌属、盐单胞菌、蔗糖乳球菌、气单胞菌属和不动杆菌属。其中，蔗糖乳球菌、气单胞菌属和假单胞菌属对模型预测结果表现出正边际效应，而黄杆菌属和不动杆菌属则表现出负边际效应。

结论

我们的研究结果突显了机器学习模型在识别微生物组指标方面的潜力，为制定有针对性的监测策略和保障食品安全奠定了基础。