Aprendizaje automático

Scientific Reports volumen 13, Número de artículo: 7749 (2023) Citar este artículo

320 Accesos

Detalles de métricas

Un sistema de inteligencia artificial inteligente (SAIS) para la enumeración de la densidad de Acinetobacter (AD) en cuerpos de agua representa una estrategia invaluable para evitar las rutinas repetitivas, laboriosas y que consumen mucho tiempo asociadas con su determinación. Este estudio tuvo como objetivo predecir la DA en cuerpos de agua utilizando el aprendizaje automático (ML). Los datos de AD y variables fisicoquímicas (PV) de tres ríos monitoreados a través de protocolos estándar en un estudio de un año se ajustaron a 18 algoritmos de ML. El rendimiento de los modelos se analizó utilizando métricas de regresión. El promedio de pH, EC, TDS, salinidad, temperatura, TSS, TBS, DO, DBO y AD fue 7,76 ± 0,02, 218,66 ± 4,76 µS/cm, 110,53 ± 2,36 mg/L, 0,10 ± 0,00 PSU, 17,29 ± 0,21 ° C, 80,17 ± 5,09 mg/L, 87,51 ± 5,41 NTU, 8,82 ± 0,04 mg/L, 4,00 ± 0,10 mg/L y 3,19 ± 0,03 log CFU/100 mL respectivamente. Si bien las contribuciones de los PV diferían en los valores, el valor predicho de AD por XGB [3.1792 (1.1040–4.5828)] y Cubist [3.1736 (1.1012–4.5300)] eclipsó a otros algoritmos. Además, XGB (MSE = 0,0059, RMSE = 0,0770; R2 = 0,9912; MAD = 0,0440) y Cubist (MSE = 0,0117, RMSE = 0,1081, R2 = 0,9827; MAD = 0,0437) ocuparon el primer y segundo lugar, respectivamente, en la predicción de AD. La temperatura fue la característica más importante en la predicción de AD y ocupó el primer lugar en 10/18 algoritmos de ML que representan una pérdida media de RMSE de abandono del 43,00–83,30 % después de 1000 permutaciones. La dependencia parcial y la sensibilidad de diagnóstico residual de los dos modelos revelaron sus eficientes precisiones de pronóstico de AD en cuerpos de agua. En conclusión, se podría implementar una aplicación XGB/Cubist/XGB-Cubist ensemble/web SAIS completamente desarrollada para el monitoreo de AD en cuerpos de agua para acortar el tiempo de respuesta al decidir la calidad microbiológica de los cuerpos de agua para riego y otros fines.

Las especies de Acinetobacter pertenecen al grupo de bacterias aerobias gramnegativas que son cocobacilos encapsulados no móviles, no fermentadores, catalasa positivos, oxidasa negativos, que tienen un contenido de ADN G+C de 39 a 47 mol1,2. Taxonómicamente, los científicos han identificado 68 especies validadas en el género Acinetobacter, con muchas otras aún por delinear en especies3,4,5. Muchas especies de Acinetobacter se encuentran de forma natural en diferentes entornos, incluidos el suelo, el agua, el aire, las aguas residuales, los fómites, la piel humana, los animales e incluso en las plantas6,7,8. Algunas especies pueden utilizar diferentes sustratos, como aminoácidos, carbohidratos, ácidos orgánicos e hidrocarburos, mientras que algunas pueden secretar enzimas industriales como lipasa y proteasa9,10. Sin embargo, pocas especies son patógenos oportunistas humanos. Por ejemplo, Acinetobacter baumannii es una especie muy conocida en entornos hospitalarios que causa infecciones potencialmente mortales como neumonía, infecciones del tracto respiratorio y urinario, septicemia e infecciones de heridas, entre otras, especialmente en pacientes inmunocomprometidos11,12,13 .

Las especies de Acinetobacter se propagan ampliamente a través del entorno ambiental y pueden propagar de forma alarmante genes de resistencia a los antimicrobianos en el medio ambiente14,15. Además, se ha informado que las plantas de tratamiento de aguas residuales (WWTP) alimentadas por las entradas de aguas residuales municipales y hospitalarias contribuyen con aislamientos de Acinetobacter multirresistentes (MDR) y extremadamente resistentes a los medicamentos (XDR) a sus efluentes que reciben cuerpos de agua en comparación con otras fuentes15,16. La descarga de efluentes de la PTAR aumenta la prevalencia de Acinetobacter en los cuerpos de agua de los ríos receptores y promueve la resistencia a los antimicrobianos y la transmisión a los vegetales irrigados15. La transmisión de Acinetobacter spp. (especialmente A. baumannii), con alta resistencia a los antimicrobianos y tasa de letalidad, en productos frescos ha sido demostrado y revisado por Carvalheira et al.17. Se han aislado especies de Acinetobacter con diferentes capacidades de resistencia que van desde MDR a XDR en frutas y verduras frescas (manzanas, repollos, melones, coliflores, pimientos, champiñones, lechuga, pepinos, plátanos, rábanos, maíz dulce, zanahorias, papas, duraznos, peras, fresa, manzana, apio, tomate y rábano) a una densidad de hasta 50–1000 CFU/g18 en Hong Kong19, Francia20, Nigeria21, Líbano22, Portugal23 y entorno agrícola en Argelia24. Además, los cuerpos de agua, especialmente los ríos rurales, por ejemplo, apoyan el uso recreativo de niveles considerablemente altos por parte de personas que desconocen la entrada/entrada de efluentes de la PTAR y la entrada de patógenos multirresistentes de preocupación para la salud pública, incluido Acinetobacter25.

La determinación e identificación experimentales de rutina de especies de Acinetobacter y otras bacterias en todas las matrices (agua, alimentos y muestras clínicas, etc.) utilizando el número más probable, recuento directo en placa, pruebas de trifosfato de adenosina y métodos de filtración por membrana suelen ser laboriosas, repetitivas y Esfuerzos que consumen mucho tiempo (período de incubación) y son costosos y requieren conocimientos especializados que pueden no estar fácilmente disponibles en la mayoría de los entornos. Por lo tanto, existe una necesidad urgente de medios rápidos, confiables y rentables que requieran poco o ningún conocimiento técnico para evaluar la densidad de Acinetobacter (AD) en cuerpos de agua y otras matrices para garantizar el tiempo de respuesta corto necesario para tomar decisiones informadas sobre calidad microbiológica. . Se plantea la hipótesis de que la DA en los cuerpos de agua podría predecirse con precisión y confiabilidad mediante el uso de marcos de inteligencia de aprendizaje automático que dependen de la relación dinámica entre la DA basada en los métodos de determinación anteriores y las variables fisicoquímicas del cuerpo de agua y otras matrices en un bajo costo y tiempo efectivo. forma. Por lo tanto, un sistema de inteligencia artificial para la determinación de DA en cuerpos de agua que reciben efluentes de PTAR, que luego se utilizan como fuentes de riego (ISW), sería una opción preventiva invaluable para los desafíos de salud pública inmediatos y futuros.

Los principales méritos de los modelos ML radican en su capacidad para superar los problemas asociados con los modelos estadísticos tradicionales para capturar y predecir interacciones multidimensionales en grandes datos mediante el "aprendizaje" de patrones profundos26. Los marcos de ML y SAIS permiten una gestión proactiva de eventos en lugar de reactiva. Por lo tanto, los ML y SAIS están encontrando aplicaciones cada vez mayores en muchos sectores, incluida la medicina, la agricultura de precisión, la gestión ambiental, la purificación del agua, la abundancia de Vibrio en microplásticos, el tratamiento de aguas residuales, las tipologías de cuencas hidrográficas y la calidad de las aguas pluviales y la predicción epidemiológica26,27,28,29,30 y la aplicación se expande sin cesar todos los días.

Por lo tanto, el presente estudio tuvo como objetivo predecir/determinar la DA en cuerpos de agua (receptores de efluentes hospitalarios, municipales y de PTAR) usando ML sin las rutinas de laboratorio repetitivas, laboriosas, costosas y que consumen mucho tiempo para reducir el tiempo de respuesta esencial para hacer pruebas microbiológicas informadas. decisiones de calidad (por ejemplo, para el uso de riego y otros fines).

Se recolectaron muestras de agua utilizando la técnica de toma de muestras del río Great Fish, el río Keiskamma y el río Thyume, que sirven como cuerpos de agua receptores para la descarga de efluentes de aguas residuales municipales y hospitalarios (MHWE) en uno o más puntos a lo largo de sus cursos en la provincia de Eastern Cape, Sudáfrica. . Se seleccionaron al menos cinco lugares estratégicos de muestreo basados ​​en la importancia socioeconómica (p. ej., pesca, natación, cercanía a plantas de tratamiento de aguas residuales, agricultura, pastos, irrigación, represa, etc.) de cada río para la recolección de muestras. En los sitios de muestreo, la temperatura del agua (TEMP), el pH, los sólidos disueltos totales (TDS), la conductividad eléctrica (EC), la salinidad (SAL) y el oxígeno disuelto (OD) se determinaron in situ utilizando un dispositivo multiparamétrico estándar ( Hanna, modelo HI 9828) protocolo instrumental. Además, se evaluó la turbidez de los ríos (TBS) mediante un turbidímetro (HACH, modelo 2100P). Para el análisis microbiológico y la medición de la demanda bioquímica de oxígeno (DBO), se recolectaron muestras de agua de la mitad de la corriente (25–30 cm de profundidad) en los mismos sitios de muestreo en tres réplicas en botellas de vidrio estériles y ámbar, respectivamente, y se almacenaron en cajas de hielo y se transportaron al laboratorio para su análisis. análisis con 6 h de recolección31. Después de cinco días de incubación de las muestras en botellas de color ámbar, se determinó la DBO de las muestras mediante un medidor de demanda bioquímica de oxígeno (HACH, HQ 40 días)31. La estrategia de muestreo detallada, la descripción de los puntos de muestreo y los mapas del área de estudio se describieron en nuestro estudio anterior32.

La densidad de especies de Acinetobacter en las muestras de agua se estimó mediante filtración por membrana31. Brevemente, 100 ml de muestras de agua diluidas en serie se filtraron en tres iteraciones independientes utilizando una membrana de celulosa con un tamaño de poro de 47 mm y 0,45 μm de Ø47 mm31. Estas membranas se colocaron asépticamente en placas Acinetobacter CHROMagar recién preparadas que contenían suplementos selectivos (CHROMagar, París, Francia) según las instrucciones del fabricante. Las placas se incubaron a 37 °C durante 24 h. Se contaron todas las colonias de Acinetobacter que presentaban una coloración roja en las placas CHROMagar después de la incubación y se transformaron logarítmicamente (log CFU/100 ml). Todos los aislamientos fueron purificados, validados como oxidasa negativos y evaluados mediante la reacción en cadena de la polimerasa específica de Acinetobacter. El cincuenta por ciento (50%) de las reservas de glicerol del cultivo puro se preparó y almacenó a -80 °C.

Los conjuntos de datos se sometieron primero a la correlación de Pearson explicativa y bivariada (r) [Eq. (1)] análisis. La estimación de los intervalos de confianza del 95 % (IC del 95 %) del valor r en el análisis de correlación bivariada se basó en la transformación r-to-z de Fisher con ajuste de sesgo [Eq. (2)]. Para evitar la multicolinealidad, donde el valor r entre dos variables ≥ 0,99, una de ellas se eliminó aleatoriamente en modelos posteriores (ver Tabla 2). Cualquiera de las dos variables puede ser utilizada en la implementación de los modelos. Además, para la implementación de los modelos, los conjuntos de datos se escalaron al centro de manera que la media = 0 y la raíz cuadrada de la varianza = 1 para las variables. El conjunto de datos para DTR no fue escalado.

donde r es un coeficiente de correlación de Pearson con valores posibles de − 1 a 1 inclusive. Aquí, u y w representan un par de PV y h es el tamaño de la muestra.

La densidad de Acinetobacter (DA) se modeló como una variable dependiente de las variables fisicoquímicas (PV) de los ríos. Por lo tanto, el valor AD esperado condicional (CE) en instancias de PV que consisten en un vector de TEMP, DO, DBO, TSS, SAL y pH se obtiene como \({\mathrm{CE}}_{AD|PVs}( ANUNCIO)\). Por lo tanto, la estimación de la AD media se puede construir como Eq. (3).

La ecuación (1) se implementó a través de 18 algoritmos de ML de regresión que tienen la capacidad robusta de ajustar variables multidimensionales de resultado ordinal/continuo, incluida la regresión lineal con selección paso a paso (LRSS), un RF, XGB, SVR, regresión lineal (LR), un máquina potenciada por gradiente (GBM), red neuronal (NNT) (red 6–6–1 con múltiplo de 49 pesos; decaimiento = 0,1), un KNN (k-vecino más cercano), M5P, un árbol de regresión potenciado (BRT), un cubista regresión, un árbol de decisiones (DTR), splines de regresión adaptativa multivariada (MARS), ANN [con una capa oculta de 6 nodos (ANN6), máquina de aprendizaje extremo (ELM), dos capas ocultas de 4 y 2 nodos (ANN42), y dos capas ocultas de 3 y 3 nodos (ANN33), y red elástica (ENR)]. El conjunto de datos (540 observaciones, 6 variables después de la selección de características explicativas) se dividió en un subconjunto de aprendizaje (70 %) para la estimación de los coeficientes de los modelos y un subconjunto de validación (30 %) para la justificación del modelo. En todas las implementaciones ML de Eq. (1), se generaron diez pares de conjuntos de datos de validación de aprendizaje diferentes a través de una validación cruzada de diez veces acompañada de 3 repeticiones y 10 longitudes de melodía. Los hiperparámetros óptimos se derivaron y seleccionaron a través de un algoritmo de búsqueda en cuadrícula. Los hiperparámetros de los modelos se proporcionan en detalle en el material complementario. Se puede encontrar una discusión detallada sobre las fortalezas y debilidades y la aplicación previa de los diversos algoritmos en otros lugares y su documentación.

La interpretación explicativa de todas las contribuciones de las variables en los modelos fue de acuerdo con la ecuación. (4):

donde t(j, w.) denota la j-ésima medida de contribución variable a la predicción del modelo en el caso w y t0 es la predicción promedio del modelo33.

El rendimiento del modelo de algoritmos MLI se determinó frente a datos experimentales basados ​​en Eqs. (5)–(8):

donde h = número de la muestra; f0(): modelo base; ri: residual para la i-ésima observación, U: matriz de PVs; \(\underline{w}\): vector de AD; \(f\left(\widehat{\underline{\theta }},\underline{U}\right):\) modelo basado en el conjunto de datos de entrenamiento; \(\widehat{\underline{\theta }}:\) valores estimados de los coeficientes del modelo; y \({\widehat{\underline{w}}}_{i}:\) predicción del modelo equivalente a \({\mathrm{w}}_{i}\).

RMSE se empleó además para evaluar la pérdida media de abandonos por importancia variable después de 1000 permutaciones34,35.

Se generaron diagnósticos residuales y perfiles de dependencia parcial de PV en la DA predicha para evaluar la sensibilidad del modelo. El perfil de dependencia parcial de un modelo f() (es decir, el valor AD anticipado/predicho en una instancia por el modelo) y la variable de resultado Uj establecida en s (sobre la distribución empírica/marginal de Uj (h), es decir, el la distribución colectiva de todos los demás PV sin Uj) se crea de acuerdo con las Ecs. (9) y (10):

La implementación de todos los modelos se logró en el software R v.4.1.2.

En la Tabla 1 se presenta un resumen descriptivo de las variables fisicoquímicas y la densidad de Acinetobacter de los cuerpos de agua. El promedio de pH, CE, TDS y SAL de los cuerpos de agua fue 7,76 ± 0,02, 218,66 ± 4,76 µS/cm, 110,53 ± 2,36 mg/L , y 0,10 ± 0,00 PSU, respectivamente. Mientras que la TEMP, SST, TBS y OD promedio de los ríos fue de 17,29 ± 0,21 °C, 80,17 ± 5,09 mg/L, 87,51 ± 5,41 NTU y 8,82 ± 0,04 mg/L, respectivamente, las correspondientes DO5, DBO y La AD fue de 4,82 ± 0,11 mg/l, 4,00 ± 0,10 mg/l y 3,19 ± 0,03 log CFU/100 ml, respectivamente.

La correlación bivariada entre los PV pareados varió significativamente de muy débil a perfecta/correlación positiva o negativa muy fuerte (Tabla 2). De la misma manera, la correlación entre varios PV y AD varía. Por ejemplo, existe una correlación insignificante pero positiva muy débil entre AD y pH (r = 0,03, p = 0,422) y SAL (r = 0,06, p = 0,184), así como una correlación inversa (negativa) muy débil entre AD y TDS ( r = − 0,05, p = 0,243) y EC (r = − 0,04, p = 0,339). Se produce una correlación significativamente positiva pero débil entre AD y DBO (r = 0,26, p = 4,21E-10), TSS (r = 0,26, p = 1,09E-09) y TBS (r = 0,26, 1,71E-09 ) mientras que AD tuvo una correlación inversa débil con DO5 (r = − 0.39, p = 1.31E−21). Si bien hubo una correlación positiva moderada entre TEMP y AD (r = 0,43, p = 3,19E-26), se produjo una correlación moderada pero inversa entre AD y DO (r = -0,46, 1,26E-29).

La AD pronosticada por los modelos de regresión de 18 ML varió tanto en valor promedio como en cobertura (rango), como se muestra en la Fig. 1. La AD pronosticada promedio osciló entre 0,0056 unidades logarítmicas por M5P y 3,2112 unidades logarítmicas por SVR. La predicción promedio de AD disminuyó de SVR [3.2112 (1.4646–4.4399)], DTR [3.1842 (2.2312–4.3036)], ENR [3.1842 (2.1233–4.8208)], NNT [3.1836 (1.1399–4.2936)], BRT [3.1833 ( 1,6890–4,3103)], RF [3,1795 (1,3563–4,4514)], XGB [3,1792 (1,1040–4,5828)], MARS [3,1790 (1,1901–4,5000)], LR [3,1786 (2,1895–4,7951)], LR SS [3.1786 ( 2.1622–4.7911)], GBM [3.1738 (1.4328–4.3036)], cubista [3.1736 (1.1012–4.5300)], ELM [3.1714 (2.2236–4.9017)], KNN [3.1657 (1.4988–4.5001)], A NET6 [0.6077 ( 0,0419–1,1504)], ANET33 [0,6077 (0,0950–0,8568)], ANET42 [0,6077 (0,0692–0,8568)] y M5P [0,0056 (− 0,6024–0,6916)]. Sin embargo, en términos de cobertura de rango, XGB [3.1792 (1.1040–4.5828)] y Cubist [3.1736 (1.1012–4.5300)] eclipsaron a otros modelos porque esos modelos sobreestimaron y subestimaron AD en valores más bajos y más altos respectivamente cuando se compararon con datos sin procesar [3.1865 ( 1–4.5611)].

Comparación de AD predicha por el modelo ML en los cuerpos de agua. Valor AD RAW sin procesar/empírico.

La Figura 2 representa las contribuciones explicativas de los PV a la predicción de AD por parte de los modelos. La subparcela AR da la magnitud absoluta (que representa la importancia del parámetro) por la cual una instancia de PV cambia la predicción de AD por cada modelo de su valor medio presentado en el eje vertical. En LR, un cambio absoluto del valor medio de pH, BOD, TSS, DO, SAL y TEMP correspondió a un cambio absoluto de 0,143, 0,108, 0,069, 0,0045, 0,04 y 0,004 unidades en la respuesta/valor de predicción de AD de LR . Además, se atribuyó un flujo de respuesta absoluto de 0,135, 0,116, 0,069, 0,057, 0,043 y 0,0001 en el valor de predicción de AD al pH, DBO, TSS, DO. Cambios SAL y TEMP, respectivamente, por LRSS. De manera similar, el cambio absoluto en DO, DBO, TEMP, TSS, pH y SAL alcanzaría 0.155, 0.061. 0.099, 0.144 y 0.297 Cambios en la respuesta de predicción de AD por KNN. Además, el PV más contribuido o importante cuyo cambio influyó en gran medida en la respuesta de predicción de AD fue TEMP (disminuye o disminuye las respuestas hasta 0.218) en RF. En resumen, los cambios en la respuesta de predicción de AD fueron más altos y más significativamente influenciados por DBO (0.209), pH (0.332), TSS (0.265), TEMP (0.6), TSS (0.233), SAL (0.198), DBO (0.127), DBO ( 0,11), DO (0,028), pH (0,114), pH (0,14), SAL (0,91) y pH (0,427) en XGB, BTR, NNT, DTR, SVR, M5P, ENR, ANET33, ANNET64, ANNET6, ELM , MARS y cubista, respectivamente.

Contribución específica de PV a dieciocho modelos de ML que pronostican la capacidad de AD en cuerpos de agua receptores de MHWE. El valor de referencia promedio de PV en el ML se presenta en el eje y. Las barras verde/roja representan el valor absoluto de cada contribución de PV en la predicción de AD.

La Tabla 4 presenta el desempeño de los dieciocho algoritmos de regresión que predicen la AD dados los PV de los cuerpos de agua. En términos de MSE, RMSE y R2, XGB (MSE = 0,0059, RMSE = 0,0770; R2 = 0,9912) y Cubist (MSE = 0,0117, RMSE = 0,1081, R2 = 0,9827) ocuparon el primer y segundo lugar respectivamente, superando a otros modelos en predecir la EA. Mientras que las métricas MSE y RMSE clasificaron ANET6 (MSE = 0,0172, RMSE = 0,1310), ANRT42 (MSE = 0,0220, RMSE = 0,1483), ANET33 (MSE = 0,0253, RMSE = 0,1590), M5P (MSE = 0,0275, RMSE = 0,1657), y RF (MSE = 0,0282, RMSE = 0,1679) en la posición 3, 4, 5, 6 y 7 entre los ML en la predicción de AD, M5P (R2 = 0,9589 y RF (R2 = 0,9584) registraron un mejor desempeño en términos de R -squared metric y ANET6 (MAD = 0.0856) y M5P (MAD = 0.0863) en términos de MAD métrica entre los 5 modelos, pero Cubist (MAD = 0.0437) XGB (MAD = 0.0440) en términos de MAD métrica.

La importancia característica de cada PV sobre el remuestreo permutacional en la capacidad predictiva de los modelos ML para predecir AD en los cuerpos de agua se presenta en la Tabla 3 y la Fig. S1. Las variables importantes identificadas se clasificaron de manera diferente de un modelo a otro, con la temperatura clasificada en la primera posición por 10/18 de los modelos. En los 10 algoritmos/modelos, la temperatura fue responsable de la mayor pérdida media por abandono de RMSE, y la temperatura en RF, XGB, Cubist, BRT y NNT representó 0,4222 (45,90 %), 0,4588 (43,00 %), 0,5294 (50,82 %). ), 0,3044 (44,87 %) y 0,2424 (68,77 %) respectivamente, mientras que 0,1143 (82,31 %), 0,1384 (83,30 %), 0,1059 (57,00 %), 0,4656 (50,58 %) y 0,2682 (57,58 %) pérdida por abandono del RMSE se atribuyó a la temperatura en ANET42, ANET10, ELM, M5P y DTR respectivamente. La temperatura también ocupó el segundo lugar en 2/18 modelos, incluidos ANET33 (0,0559, 45,86 %) y GBM (0,0793, 21,84 %). La DBO fue otra variable importante en el pronóstico de la DA en los cuerpos de agua y ocupó el primer lugar en los modelos 3/18 y el segundo en los modelos 8/18. Mientras que BOD se clasificó como la primera variable importante en la predicción de AD en MARS (0,9343, 182,96 %), LR (0,0584, 27,42 %) y GBM (0,0812, 22,35 %), ocupó el segundo lugar en KNN (0,2660, 42,69 %), XGB (0,4119, 38,60); BRT (0,2206, 32,51 %), ELM (0,0430, 23,17 %), SVR (0,1869, 35,77 %), DTR (0,1636, 35,13 %), ENR (0,0469, 21,84 %) y LRSS (0,0669, 31,65 %). SAL ocupa el primer lugar en 2/18 (KNN: 0.2799; ANET33: 0.0633) y segundo en 3/18 (Cubist: 0.3795; ANET42: 0.0946; ANET10: 0.1359) de los modelos. DO ocupó el primer lugar en 2/18 (ENR [0.0562; 26.19%] y LRSS [0.0899; 42.51%]) y segundo en 3/18 (RF [0.3240, 35.23%], M5P [0.3704, 40.23%], LR [0.0584 , 27,41%]) de los modelos.

La Figura 3 muestra las gráficas de diagnóstico residual de los modelos que comparan los valores de AD reales y AD pronosticados por los modelos. Los resultados observados mostraron que la DA real y el valor de DA previsto en el caso de LR (A), LRSS (B), KNN (C), BRT 9F), GBM (G), NNT (H), DTR (I), SVR (J), ENR (L), ANET33 (M), ANER64 (N), ANET6 (O), ELM (P) y MARS (Q) sesgaron, y la tendencia suavizada no se superpuso. Sin embargo, los valores AD real y AD previsto experimentaron una mayor alineación y se observó una tendencia suavizada aproximadamente superpuesta en RF (D), XGB (E), M5P (K) y Cubist (R). Entre los modelos, RF (D) y M5P (K) sobreestimaron y subestimaron la AD predicha en valores más bajos y más altos, respectivamente. Mientras que XGB y Cubist sobreestimaron el valor de AD en un valor más bajo con XGB más cerca de la tendencia suavizada que Cubist. En general, es deseable una tendencia suavizada que se superponga a la línea de gradiente, ya que muestra que un modelo se ajusta a todos los valores con precisión/exactitud.

Comparación entre la AD real y predicha por los dieciocho modelos ML.

En las Figs. S2–S7. Los perfiles de dependencia parcial existían en i. una forma en la que un aumento promedio en la predicción de AD acompañó a un aumento de PV (tendencia al alza), (ii) tendencia inversa, donde un aumento en un PV resultó en una predicción decreciente de AD, (iii) tendencia horizontal, donde un aumento/disminución en un PV no produjo efectos en la predicción de AD, y (iv) una tendencia mixta, donde la forma cambia entre 2 o más de i–iii. La respuesta de los modelos varió con un cambio en cualquiera de los PV, especialmente cambios más allá de los puntos de corte que podrían disminuir o aumentar la respuesta de predicción de AD.

El perfil de dependencia parcial (PDP) de DO para los modelos tiene una tendencia a la baja ya sea desde el inicio o después de un punto de quiebre de naturaleza ii y iv, excepto para ELM que tuvo una tendencia al alza (i, Fig. S2). TEMP PDP tuvo una tendencia ascendente (i y iv) y, en la mayoría de los casos, se llenó con uno o más puntos de ruptura, pero tuvo una tendencia horizontal en LRSS (Fig. S3). SAL tuvo un PDP de una tendencia descendente típica (ii y iv) en todos los modelos (Fig. S4). Mientras que el pH mostró un PDP de tendencia a la baja típico en LR, LRSS, NNT, ENR, ANN6, se observó una tendencia a la baja llena de diferentes puntos de ruptura en RF, M5P y SVR; otros modelos mostraron una tendencia ascendente típica (i y iv) llena de puntos de ruptura (Fig. S5). El PDP de TSS mostró una tendencia al alza que volvió a una meseta (DTR, ANN33, M5P, GBM, RF, XFB, BRT), después de un punto de ruptura final o una tendencia a la baja (ANNT6, SVR; Fig. S6). El BOD PDP generalmente tuvo una tendencia ascendente llena de puntos de ruptura en la mayoría de los modelos (Fig. S7).

La presente investigación estudió el valor incalculable de los ML en la determinación de la DA en los cuerpos de agua para acortar el tiempo de respuesta involucrado en la determinación de rutina del patógeno emergente con una prioridad de salud pública significativa y una alta tasa de letalidad. Jiang et al. demostró previamente que los modelos ML predijeron y ofrecieron opciones rentables de evaluación de riesgos para Vibrio spp. abundancias relativas de microplásticos en el medio estuarino basadas en variables ambientales fáciles de medir30.

El pH de los cuerpos de agua (5,05–9,11) no cumplió con las pautas de agua de Sudáfrica para fines de riego y uso recreativo de un rango de pH de 6,5–8,4 y 6,5–8,5, respectivamente36 pero el pH promedio (7,76 ± 0,02) de los cuerpos de agua cumplió los criterios de la FAO37. En relación al patógeno, Acinetobacter spp. se sabe que poseen y sobreviven en un amplio rango de pH (5–10) y temperatura (−20 a 44 °C) con una temperatura óptima de supervivencia a largo plazo de 4–22 °C sin importar la disponibilidad de nutrientes38.

La CE observada (47,00–561,00 µS/cm) de los cuerpos de agua generalmente cumplió con las pautas de la OMS para 2500 µS/cm en aguas superficiales39, y la media (218,66 ± 4,76 µS/cm) estuvo dentro de los límites aceptados de 400 µS/cm y 700 a 3000 µS/cm Estándar de la OMS y la FAO para agua de riego37. La CE de los cuerpos de agua también cayó en las categorías de Clase I (excelente: ≤ 250 µS/cm) y Clase II (buena: 250–750 µS/cm) clasificación de los límites de CE del agua de riego40. Las concentraciones de EC de los cuerpos de agua generalmente tendrán un impacto negativo en la pesca, ya que se necesita un rango de EC de 0,15 a 0,50 μS/cm para apoyar las pesquerías de acuerdo con la USEPA (Agencia de Protección Ambiental de los Estados Unidos)41.

Los TDS resumieron las sustancias orgánicas e inorgánicas en los cuerpos de agua, pero en general no excedieron el límite máximo permitido por la OMS de 1000 mg/L TDS en el agua potable39. El TDS (23,00–279,00 mg/L) de los cuerpos de agua siguió el estándar de la Organización Mundial de la Salud de un TDS < 300 mg/L (excelente) y su promedio (110,53 ± 2,36 mg/L) no excede el límite de la USEPA y la OMS para agua potable (500 mg/L)41,42.

Sin embargo, los valores promedio de TBS de los cuerpos de agua excedieron la guía de la OMS de 5 NTU39. Los niveles más altos de EC, TDS y TBS en las aguas superficiales generalmente se atribuyen a las entradas de aguas residuales y actividades antropogénicas43. Además, se sabe que los altos niveles de EC, TDS y TBS perjudican la visibilidad, la limpieza, la seguridad, la estética y el uso recreativo de las aguas de los ríos44. La media de SST (80,17 ± 5,09 mg/L) de los cuerpos de agua superó el límite de descarga de aguas residuales de la OMS (2006) de 60 mg/L y superó los límites de referencia de Australia y Nueva Zelanda (2000) (TSS < 0,03 mg/L) de agua calidad para la acuicultura45,46. Además, el nivel promedio de DBO (4,00 ± 0,10 mg/L) de los cuerpos de agua cumplió con el límite de tolerancia de 5 mg/L en aguas superficiales para la vida acuática47. Un nivel más alto de DBO en los cuerpos de agua reduce el OD disponible para los organismos acuáticos48 y generalmente tiene impactos negativos en la pesca y la recolección de peces.

La DA promedio (3,19 ± 0,03 log CFU/100 ml) obtenida en este estudio es comparable a la DA notificada en cuerpos de agua afectados por aguas residuales de hospitales, EDAR, asentamientos informales y efluentes de clínicas veterinarias a lo largo del curso del río Umhlangane en Durban, Sudáfrica49. El OD observado (8,82 ± 0,04 mg/L) y la DBO (4,00 ± 0,10 mg/L) sugirieron las características aerofílicas facultativas de Acinetobacter y una composición de nutrientes relativamente alta de los ríos, probablemente a partir de los efluentes de aguas residuales. La CE promedio en los cuerpos de agua fue de 218,66 ± 4,76 µS/cm. Esto muestra un alto nivel de carbono orgánico (DOC) en los ríos. EC es un indicador indirecto de DOC25,50,51 y se encontró que tiene asociaciones con ARG específico de Acinetobacter y otra abundancia de ARG25,52,53. En general, A. baumannii en el medio ambiente puede sobrevivir independientemente del nivel de DO54.

El hallazgo de este estudio reveló que la AD insignificante (positiva pero muy débil) se correlacionaba con el pH (r = 0,03) y SAL (r = 0,06) y, negativamente, con TDS (r = − 0,05) y EC (r = − 0,04). ) (Tabla 2). Estos resultados se pueden atribuir a la capacidad de Acinetobacter para sobrevivir en una amplia gama de condiciones ambientales adversas. Una correlación significativamente positiva entre AD y DBO (r = 0,26), TSS (r = 0,26) y TBS (r = 0,26) indicó un aumento considerable de AD con un aumento de la contaminación por DOC y nutrientes en ambientes acuáticos (Fig. S7). Además, los hallazgos mostraron una correlación positiva moderada entre TEMP y AD (r = 0,43), lo que sugiere que AD mejora en abundancia con un aumento en la temperatura38 hasta puntos de corte específicos. La AD se correlacionó moderada e inversamente con la DO (r = -0,46), lo que indica que la abundancia de Acinetobacter aumenta con una condición anaeróbica o un nivel bajo de oxígeno.

Los valores promedio y de rango de AD pronosticados por los modelos de 18 ML diferían. Los hallazgos del presente estudio sugirieron que tanto el límite inferior/superior como la tendencia general característica de la predicción son mucho más importantes que la predicción promedio únicamente. La mayoría de los algoritmos tenían predicciones promedio más altas, pero sobreestimaban o subestimaban los valores de AD en los límites inferior y superior, respectivamente. Por lo tanto, los algoritmos que no sean XGB y Cubist no son adecuados para predecir AD en cuerpos de agua. Mientras que el rendimiento de la mayoría de los algoritmos de ML, como RF, DTR y MARS43,55, ha sido elogiado en términos de predicciones promedio y métricas de regresión, la mayoría de los estudios descuidan la consideración del límite inferior/superior y la tendencia general característica de sus predicciones: que son muy importantes cuando se trata de organismos infecciosos/venenos que pueden tener una dosis de infectividad baja/potente a una concentración muy baja. Varios investigadores también informaron sobre la superioridad de XGB frente a varios algoritmos de ML en el rendimiento predictivo en términos de predicción promedio y sensibilidad43,55. Aunque un estudio anterior mostró que los modelos de RF lograron un mayor nivel de precisión que XGB, SVR y ENR en la predicción de Vibrio spp. abundancia relativa en los microplásticos, no se informaron las características de la tendencia real, incluidos los límites inferior/superior30. La diferencia en la cobertura de tendencias de los modelos y las características de los límites en las predicciones de DA se atribuyen a la capacidad de los modelos para capturar las interacciones complejas de niveles/cambios de co-ocurrencia en diferentes variables ambientales en diferentes grados o concentraciones. También se encontró que el desempeño de Cubist [3.1736 (1.1012–4.5300)] es comparable al de XGB [3.1792 (1.1040–4.5828)] en términos de características de tendencia y límites, ya que ambos modelos eclipsaron a otros modelos. Un problema típico con la mayoría de los algoritmos observados en este estudio fue la sobreestimación y subestimación de AD en concentraciones más bajas y más altas, respectivamente. Estas limitaciones sugirieron que los modelos podrían generar una falsa alarma de alto riesgo con una DA más baja, así como socavar un mayor riesgo con concentraciones más altas de DA. Una indicación de que esos modelos no pudieron capturar las complejas relaciones no lineales entre AD, PV y las entradas antropogénicas subyacentes.

Sin embargo, las contribuciones absolutas del cambio de PV individual a la predicción de AD de los modelos a partir de los valores medios atribuidos a sus modelos variaron (Fig. 2). Los comportamientos podrían interpretarse en términos de interacciones complejas entre los PV junto con los flujos antropogénicos predominantes en los cuerpos de agua. Varios PV experimentan fluctuaciones al mismo tiempo, a diferencia de los comportamientos en los modelos en los que otros PV se mantienen constantes para evaluar los efectos de un PV particular en la variable de resultado (AD). Estas interacciones son capturadas en gran medida por los algoritmos, lo que lleva a diferencias en la clasificación de las contribuciones de los PV a las predicciones de AD por parte de los algoritmos. Además, las características intrínsecas de los distintos algoritmos y el ruido de datos son las principales causas de las diferencias en las contribuciones observadas de las variables en los modelos ML30.

Teniendo en cuenta el rendimiento general de 18 modelos basados ​​en IA analizados en este estudio utilizando cuatro métricas, XGB (MSE = 0,0059, RMSE = 0,0770; R2 = 0,9912; MAD = 0,0440) y cubista (MSE = 0,0117, RMSE = 0,1081, R2 = 0,9827) ; MAD = 0.0437) fueron los mejores modelos clasificándose en primera y segunda posición respectivamente, superando a otros en la predicción de DA en cuerpos de agua (Cuadro 4). XGB tiene la reputación de ser el algoritmo ML con mejor rendimiento en la mayoría de los estudios de regresión microbiológica en comparación con otros30. Se ha demostrado que Cubist superó a los mínimos cuadrados parciales, RF y MARS en la predicción de las propiedades del suelo, incluido el nitrógeno total del suelo, el carbono orgánico, el azufre total, la arcilla de calcio intercambiable; arena y capacidad de intercambio catiónico, y pH y RF, árboles de clasificación y regresión, SVM y KNN que predicen NH4–N y DQO ​​en efluentes de humedales construidos bajo la superficie56,57. Al pronosticar la difusión diaria de la vacunación contra el COVID-19, Cubist superó a los algoritmos ENR, Gaussian Process, Slab (SPIKES) y Spikes ML58. Además, se ha demostrado que Cubist supera a XGB en la predicción de presiones, volúmenes y tensiones del ventrículo izquierdo59. Un conjunto de XGB y Cubist podría explotarse aún más para un mejor desempeño en la predicción de AD en cuerpos de agua. Sin embargo, se demostró que ANN (R2 = 0,953) muestra un coeficiente predictivo superior al modelo cubista (R2 = 0,946) y LR (R2 = 0,481) al analizar el contenido de coliformes fecales en aguas residuales tratadas con fines de reutilización60. En general, mientras que XGB involucró un conjunto de árboles que capturan interacciones/relaciones multidimensionales, Cubist combinó las fortalezas de las ecuaciones de regresión lineal y un comité de nodos estructurales basados ​​en árboles para capturar efectivamente relaciones multidimensionales lineales y no lineales entre variables y eventos de resultado56. Los resultados muestran que ANET6, ANRT42, ANET33, M5P y RF tenían MSE y RMSE que los ubicaban en la posición 3, 4, 5, 6 y 7 entre los ML para predecir AD, sus desempeños deben evitarse para el pronóstico práctico de la EA con fines preventivos.

TEMP fue el PV más importante en la predicción de AD en los cuerpos de agua y se clasificó según 10/18 algoritmos ML, incluidos RF, XGB, Cubist, BRT y NNT, que representan el 45,90 %, 43,00 %, 50,82 %, 44,87 % y 68,77 % respectivamente. modelos, así como una pérdida de abandono de RMSE del 82,31 %, 83,30 %, 57,00 %, 50,58 % y 57,58 % en ANET42, ANET10, ELM, M5P y DTR, respectivamente. Los resultados observados pueden explicarse en términos de la influencia directa e indirecta que tuvo TEMP en otros PV y AD en los cuerpos de agua. El OD disminuye con el aumento de la temperatura, favoreciendo el estilo de vida aeróbico facultativo de Acinetobacter. Además, la temperatura aumenta la descomposición de la materia orgánica en los cuerpos de agua, lo que conduce a un alto contenido de DBO que proporciona más nutrientes para la EA y otras vidas microbianas. El aumento resultante en DOC en cuerpos de agua es un indicador indirecto de EC25,50,51 y se encontró que tiene asociaciones con la abundancia de ARG específica de Acinetobacter en cuerpos de agua25,52,53. La DBO fue otra característica significativa identificada en el pronóstico de AD en los cuerpos de agua y ocupó el primer lugar en 3/18 [MARS (182,96 %), LR (27,42 %) y GBM (22,35 %)] y segundo en 8/18 modelos [KNN (42,69 %) %), XGB (38,60%); BRT (32,51 %), ELM (23,17 %), SVR (35,77 %), DTR (35,13 %), ENR (21,84 %) y LRSS (31,65 %)]. La DBO es una medida de la contaminación por nutrientes de insumos antropogénicos, como efluentes de aguas residuales, actividades agrícolas y eventos ambientales, como escorrentías de agua de lluvia, entre otros. La DBO también influye en EC, TDS y TBS en aguas superficiales43 Mientras que SAL se identificó como la primera característica importante en los modelos 2/18 (KNN, ANET33) y la segunda en 3/18 (Cubist, ANET42, ANET6), Acinetobacter solo puede sobrevivir relativamente alto SAL sin mejorar su densidad de población (Fig. S4). A diferencia de Vibrio spp, cuya alta densidad está relacionada con una alta salinidad30, ya que promueve la expresión de genes y proteínas funcionales61 y el eventual crecimiento y reproducción de vibrio62, los SAL altos no son adecuados para la EA ya que inhiben la expresión de genes relacionados con el crecimiento.

Los análisis de sensibilidad de los modelos predictivos de EA de 18 ML que utilizan las gráficas de diagnóstico residual encontraron que LR (A), LRSS (B), KNN (C), BRT (F), GBM (G), NNT (H), DTR ( I), SVR (J), ENR (L), ANET33 (M), ANER64 (N), ANET6 (O), ELM (P) y MARS (Q) no se ajustaron de manera óptima a los datos. Esto implica que los modelos no son adecuados para pronosticar DA en cuerpos de agua. Mientras tanto, modelos como RF (D), XGB (E), M5P (K) y Cubist (R) ajustaron los datos con más alineación y una tendencia suavizada aproximadamente superpuesta entre los valores AD reales y predichos, RF (D) y M5P (K) AD sobrepredicha y subpredicha en las extremidades inferiores y superiores, respectivamente. Por lo tanto, podría interpretarse como un pronóstico de riesgo exagerado (AD) en un nivel inocuo probable mientras se debilita el riesgo real en la extremidad superior. Dichos modelos no son adecuados para evaluar eventos de la vida real de DA en cuerpos de agua. Aunque tanto XGB como Cubist predijeron un valor AD ligeramente más alto que el valor real en las extremidades inferiores, XGB tuvo una tendencia suavizada más ajustada que Cubist. En comparación con otros modelos analizados en este estudio, el dúo es el mejor y podría aplicarse para el diseño de sistemas inteligentes AD AI para el monitoreo de la calidad del agua. Un modelo apilado de XGB y Cubist puede superar y superar la limitación que tenían los dos modelos en el extremo inferior del valor AD.

El resumen general de los PDP de los PV en la predicción de AD por los 18 modos (Figs. S2–S7), encontró que cualquier grado de cambio/flujo en un PV en particular, especialmente los cambios más allá de sus puntos de ruptura, atrajeron una respuesta variada correspondiente en AD que podría disminuir o aumentar la respuesta de predicción de AD. Las diversas formas de perfiles de dependencia parcial, como se explicó en la sección anterior, también mostraron las interacciones directas/indirectas/complejas entre un PV y AD junto con la sensibilidad de un modelo en el mapeo de las relaciones. En resumen, el aumento en el nivel de AD (PDP) en la mayoría de los modelos equivale a una tendencia decreciente en DO y SAL, especialmente después de su(s) punto(s) de ruptura, excluyendo ELM donde DO tenía una tendencia ascendente (i; Figs. S2 y S4). Estos patrones revelaron una relación no lineal entre AD y los PV. Existe una relación casi de aumento a aumento entre TEMP y AD en la mayoría de los modelos junto con uno o más puntos de ruptura. LRSS reveló una relación cero entre AD y TEMP, lo que indica su incapacidad para mapear la relación entre ellos. Aunque se ha demostrado que Acinetobacter tiene un amplio rango de pH, un PDP de pH con tendencia a la baja típico por LR, LRSS, NNT, ENR, ANN6, lleno de puntos de ruptura en RF, M5P y SVR, mientras que otros modelos mostraron un aumento típico: es informativo de la debilidad de los modelos, ya que el aumento del pH de 5,02 a 10 promueve el crecimiento de Acinetobacter38. Las respuestas de predicción de AD alineadas con un aumento general en la DBO independientemente de los puntos de corte en la mayoría de los modelos revelaron nutrientes importantes para la densidad de población de Acinetobacter en los cuerpos de agua.

Además, aparte de las fortalezas de este estudio actual, que fue el primero que evaluó la DA en cuerpos de agua que reciben efluentes de aguas residuales municipales y de hospitales a lo largo de sus cursos, dos algoritmos de ML predicen la DA de manera óptima y precisa, y demostraron ser candidatos prometedores para desarrollar SAIS para la determinación de la DA y, por lo tanto, acortar el tiempo de respuesta y reducir la mano de obra involucrada en los enfoques experimentales. Además, los ML pudieron capturar interacciones multidimensionales complejas no lineales entre AD y PV, así como sus combustibles antropogénicos inherentes que los modelos matemáticos convencionales no pudieron mapear de manera sólida63. Además, los NM se pueden mejorar y se pueden utilizar en varios entornos de gestión del agua. Sin embargo, la deficiencia del presente estudio radica en la falta de covariables espaciotemporales que podrían mejorar las predicciones de los modelos ML, ya que las distribuciones estocásticas de patógenos transmitidos por el agua se rigen tanto por la extensión espacial como por la duración temporal a lo largo de la profundidad en las columnas de agua. Los estudios futuros deben buscar datos de una amplia gama de actividades/áreas socioeconómicas, así como incluir entradas espaciotemporales y geoespaciales en el desarrollo de un marco predictivo basado en IA para la determinación de DA.

El presente estudio ha demostrado que SAIS es una estrategia basada en evidencia para acortar el tiempo de respuesta involucrado en la evaluación de AD en cuerpos de agua; minimizando así la exposición. Los mejores modelos (XGB/Cubist) identificados en este estudio podrían desarrollarse en SAIS independientes (XGB/Cubist, conjunto XGB-Cubist o aplicación web) o integrarse en instrumentaciones existentes para la estimación de PV en cuerpos de agua para mejorar la toma de decisiones oportuna de microbiológicos. cualidades de las masas de agua para riego y otros fines. El estudio también reveló la temperatura y la DBO como candidatos importantes para predecir la DA en cuerpos de agua en la mayoría de los modelos. Finalmente, la AD en cuerpos de agua podría predecirse de manera precisa y confiable a través de sistemas inteligentes basados ​​en IA que se basan en la dinámica de las variables fisicoquímicas del cuerpo de agua de una manera económica y eficiente en el tiempo.

Todos los datos generados o analizados durante este estudio se incluyen en este artículo publicado y sus archivos de información complementaria.

Densidad de Acinetobacter

Red neuronal artificial

Demanda de oxigeno bioquímico

Árbol de regresión potenciado

regresión cubista

Regresión del árbol de decisión

Oxígeno disuelto

Regresión neta elástica

Conductividad eléctrica

Ampliamente resistente a los medicamentos

Regresión potenciada por gradiente extremo

Máquina de aprendizaje extremo

Máquina impulsada por gradiente

Aguas de fuente de riego

K-vecinos más cercanos

regresión lineal

Regresión lineal con selección paso a paso

Aprendizaje automático

Error medio cuadrado

Desviación absoluta mediana

Multirresistente

Splines de regresión adaptativa multivariante

Efluentes de aguas residuales municipales y hospitalarias

red neuronal

Variables fisicoquímicas

Bosque aleatorio

Error cuadrático medio

Salinidad

Sistema de inteligencia artificial inteligente

Regresión de vectores de soporte

Temperatura

Sólidos disueltos totales

Turbiedad

Plantas de tratamiento de aguas residuales

Sofia, C., Angela, R., Luminiţa, SI, Raluca, F. & Iuliana, T. Características culturales y bioquímicas de Acinetobacter spp. cepas aisladas de unidades hospitalarias. J. anterior Medicina. 12(3–4), 35–42 (2004).

Google Académico

Krizova, L., Maixnerova, M., Sedo, O. y Nemec, A. Acinetobacter bohemicus sp. nov. generalizada en los ecosistemas naturales de suelo y agua en la República Checa. sist. aplicación Microbiol. 37, 467–473 (2014).

Artículo PubMed Google Académico

Gundi, VA, Dijkshoorn, L., Burignat, S., Raoult, D. y La Scola, B. Validación del análisis parcial de la secuencia del gen rpoB para la identificación de especies de Acinetobacter clínicamente importantes y emergentes. Microbiol. 155, 2333–2341 (2009).

Artículo CAS Google Académico

Nemec, A. et al. Caracterización genotípica y fenotípica del complejo Acinetobacter calcoaceticus-Acinetobacter baumannii con la propuesta de Acinetobacter pittii sp. nov. (anteriormente Acinetobacter genómico especie 3) y Acinetobacter nosocomialis sp. nov. (anteriormente especie genómica de Acinetobacter 13TU). Res. Microbiol. 162, 393–404 (2011).

Artículo CAS PubMed Google Académico

Nemec, A. et al. Acinetobacter seifertii sp. nov., miembro del complejo Acinetobacter calcoaceticus-Acinetobacter baumannii aislado de muestras clínicas humanas. En t. Sistema J. Evol. Microbiol. 65 (parte 3), 934–942. https://doi.org/10.1099/ijs.0.000043 (2015).

Artículo CAS PubMed Google Académico

Choi, JY et al. Aislamientos de especies de Acinetobacter de una variedad de entornos: encuesta de especies y observaciones de resistencia a los antimicrobianos. Diagnóstico Microbiol. Infectar Dis. 74, 177–180 (2012).

Artículo CAS PubMed Google Académico

Choi, JY et al. Acinetobacter kookii sp. nov., aislado del suelo. En t. Sistema J. Evol. Microbiol. 63, 4402–4406 (2013).

Artículo CAS PubMed Google Académico

Maravić, A. et al. El entorno urbano fluvial es una fuente de Acinetobacter spp. clínicamente importante, resistente a múltiples fármacos y productor de BLEE. Reinar. ciencia contaminar Res. 23, 3525–3535 (2016).

Artículo Google Académico

Bhuyan, S. Estudios sobre biosurfactante/bioemulsionante por genoespecies de Acinetobacter y Brevibacterium halotolerans aislados de ambientes marinos. Tesis doctoral, Universidad de Pune, India (2012).

Luo, QJ et al. Aislamiento y caracterización de Acinetobacter sp. cepa Y2. Ana. Microbiol. 6(2), 633–640 (2013).

Artículo Google Académico

Peleg, AY, Seifert, H. & Paterson, DL Acinetobacter baumannii: aparición de un patógeno exitoso. clin. Microbiol. Rev. 21, 538–582. https://doi.org/10.1128/CMR.00058-07 (2008).

Artículo CAS PubMed PubMed Central Google Scholar

Adegoke, AA, Mvuyo, T. & Okoh, AI Especies ubicuas de Acinetobacter como comensales beneficiosos, pero que gradualmente se envalentonan con genes de resistencia a los antibióticos. J. Microbiol básico. 52, 620–627 (2012).

Artículo CAS PubMed Google Académico

Mujumdar, AS & Balu, C. Aislamiento, biotipado, caracterización bioquímica y fisiológica de Acinetobacter marino aislado de la costa oeste de la India. En t. J. Curr. Microbiol. aplicación ciencia 2, 277–301 (2015).

Google Académico

Palavecino, E., Greene, SR & Kilic, A. Caracterización de genes de carbapenemasa y resistencia a antibióticos en Acinetobacter baumannii resistente a carbapenem entre 2019 y 2022. Infect. Dis. 54(12), 951–953. https://doi.org/10.1080/23744235.2022.2113137 (2022).

Artículo CAS Google Académico

Hubeny, J. et al. Caracterización de la resistencia a carbapenémicos en muestras ambientales y Acinetobacter spp. aislados de aguas residuales y agua de río en Polonia. ciencia Entorno Total. 822, 153–437 (2022).

Artículo Google Académico

Eze, EC, El Zowalaty, ME & Pillay, M. Resistencia a los antibióticos y formación de biopelículas de Acinetobacter baumannii aisladas de aguas residuales de alto riesgo en hospitales terciarios de Sudáfrica. J. Global Antimicrob. Resistir. 27, 82–90 (2021).

Artículo CAS Google Académico

Ana, C., Joana, S. y Paula, T. Acinetobacter spp. en alimentos y agua potable: una revisión. Microbiol alimentario. 95, 103675. https://doi.org/10.1016/j.fm.2020.103675 (2021).

Artículo CAS Google Académico

Berlau, J., Aucken, HM, Houang, E. y Pitt, TL Aislamiento de Acinetobacter spp. incluyendo un Baumannii de vegetales: Implicaciones para las infecciones adquiridas en el hospital. J.Hosp. Infectar. 42, 201–204. https://doi.org/10.1053/jhin.1999.0602 (1999).

Artículo CAS PubMed Google Académico

Houang, ET et al. Implicaciones epidemiológicas y de control de infecciones de Acinetobacter spp en Hong Kong. J. Clin. Microbiol. 39, 228–234 (2001).

Artículo CAS PubMed PubMed Central Google Scholar

Ruimy, R. et al. Las frutas y verduras orgánicas y convencionales contienen recuentos equivalentes de bacterias Gram-negativas que expresan resistencia a los agentes antibacterianos. Reinar. Microbiol. 12, 608–615 (2010).

Artículo CAS PubMed Google Académico

Dahiru, M. & Enabulele, O. Incidencia de Acinetobacter en zanahoria fresca (Daucus carota subsp. sativus). En t. J. Biol. Biomol. agricola Biotecnología alimentaria. Ing. 9, 1203–1207 (2015).

Google Académico

Al Atrouni, A. et al. Primer informe de Acinetobacter calcoaceticus productor de oxa-72 en el Líbano. Microbio nuevo. Nuevo Infectado. 9, 11–12 (2016).

Artículo CAS Google Académico

Carvalheira, A., Silva, J. & Teixeira, P. Lechuga y frutas como fuente de Acinetobacter spp multirresistente. Microbiol alimentario. 64, 119–125 (2017).

Artículo CAS PubMed Google Académico

Zekar, FM et al. De las granjas a los mercados: bacterias gramnegativas resistentes a cefalosporinas de tercera generación en frutas y verduras en una región del norte de África. Frente. Microbiol. 8, 1569 (2017).

Artículo Google Académico

Murphy, A., Barich, D., Fennessy, MS y Slonczewski, JL Un río escénico del estado de Ohio muestra genes elevados de resistencia a los antibióticos, incluida la resistencia a la tetraciclina y macrólidos de Acinetobacter, aguas abajo del efluente de la planta de tratamiento de aguas residuales. Microbiol. espectro 9, e00941-e1021. https://doi.org/10.1128/Spectrum.00941-21 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Yang, X. et al. Evaluación asistida por aprendizaje automático de biocarbón potencial para la eliminación farmacéutica del agua. Reinar. Res. 214, 113953. https://doi.org/10.1016/j.envres.2022.113953 (2022).

Artículo CAS PubMed Google Académico

Liu, F., Jiang, X. & Zhang, M. Análisis de carga global y predicción de AutoGluon de envenenamiento accidental por monóxido de carbono mediante el estudio de carga global de enfermedad 2019. Medio ambiente. ciencia contaminar Res. En t. 29(5), 6911–6928 (2022).

Artículo PubMed Google Académico

Forrest, IS et al. Marcador basado en aprendizaje automático para enfermedad arterial coronaria: derivación y validación en dos cohortes longitudinales. Lanceta 401, 215–225. https://doi.org/10.1016/S0140-6736(22)02079-7 (2023).

Artículo PubMed Google Académico

Guzmán, CB et al. Comparación de la calidad de las aguas pluviales y las tipologías de cuencas hidrográficas en los Estados Unidos: un enfoque de aprendizaje automático. Agua Res. 216, 118283. https://doi.org/10.1016/j.watres.2022.118283 (2022).

Artículo CAS Google Académico

Jiang, J. et al. Aprendizaje automático para predecir cambios dinámicos de patógenos Vibrio spp. abundancia de microplásticos en el medio marino. Reinar. contaminar 305, 119257. https://doi.org/10.1016/j.envpol.2022.119257 (2022).

Artículo CAS PubMed Google Académico

Asociación Estadounidense de Salud Pública (APHA). Métodos Estándar para el Examen de Agua y Aguas Residuales 21st edn. (APHA, 2005).

Google Académico

Adewoyin, MA, Ebomah, KE & Okoh, AI Perfil de antibiograma de Acinetobacter baumannii recuperado de recursos de agua dulce seleccionados en la Provincia Oriental del Cabo, Sudáfrica. Patógenos 10(9), 1110 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Biecek, P. & Burzykowski, T. Análisis del modelo explicativo: exploración (Chapman and Hall/CRC, 2021).

Libro Google Académico

Namkung, J. Métodos de aprendizaje automático para estudios de microbiomas. J. Microbiol. 58(3), 206–216 (2020).

Artículo PubMed Google Académico

Hansen, LK Aprendizaje lineal estocástico: pruebas exactas y promedios de error de entrenamiento. Red neuronal 6(3), 393–396 (1993).

Artículo Google Académico

DWAF (Departamento de Asuntos Hídricos y Forestales). Pautas de calidad del agua vol. 8, 2–68 (Departamento de Asuntos Hídricos y Silvicultura, 1996).

Google Académico

Ayers, RS y Westcott, DW Calidad del agua para la agricultura; Documento sobre riego y drenaje de la FAO, No. 29 (FAO, 1985).

Google Académico

Dekic, S., Hrenovic, J., Ivankovic, T. & van Wilpe, E. Supervivencia del patógeno ESKAPE Acinetobacter baumannii en agua de diferentes temperaturas y pH. ciencia del agua Tecnología 78(5–6), 1370–1376 (2018).

Artículo PubMed Google Académico

Organización Mundial de la Salud. Directrices para la calidad del agua potable (Organización Mundial de la Salud, 2017).

Google Académico

Abbas, H., Khan, MZ, Begum, F., Raut, N. y Gurung, S. Propiedades fisicoquímicas del agua de riego en el oeste de Himilaya, Pakistán. suministro de agua 20, 3368–3379 (2020).

Artículo CAS Google Académico

USEPA. Reglamento Nacional de Agua Potable Primaria EPA 816-F-09–004 (USEPA, 2009).

Google Académico

OMS. Directrices para la calidad del agua potable, 4ª edición. https://www.who.int/publications/i/item/9789241548151 (2011).

Ibrahim, B. et al. Modelado de la concentración de arsénico en múltiples fuentes de agua: una comparación de diferentes métodos de aprendizaje automático. Terreno Sostener. desarrollo 17, 100745 (2022).

Artículo Google Académico

Salud Canadá. Pautas para la calidad del agua recreativa canadiense. En: Oficina de Agua, Aire y Cambio Climático, Subdivisión de Ambientes Saludables y Seguridad del Consumidor, 3ra ed. (Salud Canadá, 2012).

Organización Mundial de la Salud. Directrices para el Uso Seguro de Aguas Residuales, Excretas y Aguas Grises en Agricultura y Acuicultura. (Organización Mundial de la Salud, 2006). https://apps.who.int/iris/handle/10665/78265.

Directrices de Australia y Nueva Zelanda para la calidad del agua dulce y marina. Las Directrices: Volumen 1. (2000). https://www.waterquality.gov.au/anz-guidelines/resources/previous-guidelines/anzecc-armcanz-2000.

Bhatnagar, A. & Devi, P. Pautas de calidad del agua para el manejo de la cultura de peces en estanques. En t. J. Medio Ambiente. ciencia 5, 1980-2009 (2013).

Google Académico

Pleto, JVR, Migo, VP & Arboleda, MDM Evaluación preliminar de la calidad del agua y los sedimentos del sistema fluvial Marilao-Meycauayan-Obando en Bulacan, Filipinas J. Salud Contaminación. 10, 200609 (2020).

Artículo PubMed PubMed Central Google Académico

Govender, R., Amoah, ID, Kumari, S., Bux, F. & Astenström, T. Detección de aislamientos ambientales resistentes a múltiples fármacos de Acinetobacter y Stenotrophomonas maltophilia: ¿una posible amenaza para las infecciones adquiridas en la comunidad?. J. Medio Ambiente. ciencia Salud. A 56(2), 213–225. https://doi.org/10.1080/10934529.2020.1865747 (2021).

Artículo CAS Google Académico

Monteiro, MTF et al. Concentración de carbono orgánico disuelto y su relación con la conductividad eléctrica en las aguas de un arroyo en una cuenca de aguas negras amazónica boscosa. Planta Ecol. Diversos. 7, 205–213. https://doi.org/10.1080/17550874.2013.820223 (2014).

Artículo Google Académico

Ye, LL, Wu, XD, Liu, B., Yan, DZ y Kong, FX Dinámica del carbono orgánico disuelto en el lago eutrófico Taihu y sus afluentes y sus implicaciones para la abundancia de bacterias durante el otoño y el invierno. J. Freshw. Ecol. 30, 129–142. https://doi.org/10.1080/02705060.2014.939108 (2015).

Artículo CAS Google Académico

Garner, E. et al. Caracterización metagenómica de genes de resistencia a antibióticos en sistemas de distribución de agua recuperada a gran escala y sistemas de agua potable correspondientes. Reinar. ciencia Tecnología 52, 6113–6125. https://doi.org/10.1021/acs.est.7b05419 (2018).

Artículo ADS CAS PubMed Google Scholar

Wang, C. y Hong, P.-Y. Metagenómica resuelta en genoma y análisis de genes de resistencia a antibióticos en sistemas de distribución de agua recuperada. Agua 12, 3477 (2020).

Artículo Google Académico

Dekic, S., Jasna, H., van Erna, W., Chantelle, V. e Ivana, G.-B. Supervivencia del patógeno emergente Acinetobacter baumannii en ambiente acuático expuesto a diferentes condiciones de oxígeno. ciencia del agua Tecnología 80(8), 1581–1590. https://doi.org/10.2166/wst.2019.408 (2019).

Artículo CAS PubMed Google Académico

Zhuang, X. & Zhou, S. La predicción de la capacidad de autorreparación del hormigón a base de bacterias utilizando enfoques de aprendizaje automático. computar Mate. Continua 59, 1–10 (2019).

Google Académico

Clingensmith, CM & Grunwald, S. Predicción de las propiedades del suelo e interpretación de los modelos vis-NIR de los Estados Unidos continentales. Sensores 22, 3187. https://doi.org/10.3390/s22093187 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Nguyen, XC et al. Desarrollo de un nuevo enfoque para el soporte de diseño de humedales construidos bajo la superficie utilizando algoritmos de aprendizaje automático. J. Medio Ambiente. Administrar 301, 113868. https://doi.org/10.1016/j.jenvman.2021.113868 (2022).

Artículo CAS Google Académico

Oyewola, DO, Dada, EG & Misra, S. Aprendizaje automático para optimizar la difusión diaria de la vacuna COVID-19 para combatir la pandemia. Tecnología de la salud. 12, 1277–1293. https://doi.org/10.1007/s12553-022-00712-4 (2022).

Artículo Google Académico

Dabiri, Y. et al. Predicción de la mecánica del ventrículo izquierdo mediante aprendizaje automático. Frente. física https://doi.org/10.3389/fphy.2019.00117 (2019).

Artículo PubMed PubMed Central Google Académico

Sbahi, S., Ouazzani, N., Hejjaj, A. & Mandi, L. Red neuronal y algoritmos cubistas para predecir el contenido de coliformes fecales en aguas residuales tratadas mediante un sistema de múltiples capas de suelo para su posible reutilización. J. Medio Ambiente. Cal. 50, 144–157. https://doi.org/10.1002/jeq2.20176 (2021).

Artículo CAS PubMed Google Académico

Naughton, LM, Blumerman, SL, Carlberg, M. & Boyd, EF Osmoadaptación entre especies de Vibrio y características genómicas únicas y respuestas fisiológicas de Vibrio parahaemolyticus. aplicación Reinar. Microbiol. 75(9), 2802–2810. https://doi.org/10.1128/AEM.01698-08 (2009).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Whitaker, WB, Parent, MA y Naughton, LM Modulación de las respuestas de Vibrio parahaemolyticus O3:K6 al estrés por pH y temperatura mediante el crecimiento a diferentes concentraciones de sal. aplicación Reinar. Microbiol. 76(14), 4720–4729. https://doi.org/10.1128/AEM.00474-10 (2010).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Largo, B. et al. Cultivo semicontinuo de algas basado en aprendizaje automático y biología sintética para liberar la productividad de los combustibles renovables. Nat. común 13(1), 1–11 (2022).

Artículo ADS MathSciNet Google Scholar

Descargar referencias

Se agradece a la Fundación Nacional de Investigación, Sudáfrica, por la subvención con la Subvención Única No. 135441. Adewoyin agradeció a la Academia Mundial de Ciencias, Italia (NRF/TWAS) por fundar con los Números de Subvención 99767 y 116387. Ekundayo agradeció a la Red Africana-Alemana de Excellence in Science (AGNES), el Ministerio Federal de Educación e Investigación (BMBF) y la Fundación Alexander von Humboldt (AvH) por el apoyo financiero.

Centro de Monitoreo de la Calidad del Agua Microbiana SAMRC, Universidad de Fort Hare, Alice, Cabo Oriental, Sudáfrica

Temitope C. Ekundayo, Mary A. Adewoyin, Etinosa O. Igbinosa y Anthony I. Okoh

Departamento de Biotecnología y Ciencia de los Alimentos, Universidad Tecnológica de Durban, Campus Steve Biko, Steve Biko Rd, Musgrave, Berea, 4001, Durban, Sudáfrica

Temitope C. Ekundayo y Oluwatosin A. Ijabadeniyi

Departamento de Microbiología, Universidad de Ciencias Médicas Ondo, Ondo, Nigeria

Temitope C. Ekundayo

Departamento de Ciencias Biológicas, Facultad de Ciencias Naturales, Aplicadas y de la Salud, Universidad Anchor, Ayobo Road, Ipaja, PMB 001, Lagos, Nigeria

María A. Adewoyin

Departamento de Microbiología, Facultad de Ciencias de la Vida, Universidad de Benin, Private Mail Bag 1154, Ciudad de Benin, 300283, Nigeria

Etinosa O. Igbinosa

Departamento de Ciencias de la Salud Ambiental, Facultad de Ciencias de la Salud, Universidad de Sharjah, PO Box 27272, Sharjah, Emiratos Árabes Unidos

Antonio I. Okoh

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Conceptualización: ECT; AMA; Investigación: TCE; AMA; Software y Análisis formal: TCE; Recursos: AIO; Redacción—preparación del borrador original e interpretaciones: TCE; AMA; OIA; EOI; OIA; Supervisión: AIO; Adquisición de fondos: AIO; revisión crítica de contenidos intelectuales: TCE; AMA; OIA; EOI; OIA; Todos los autores contribuyeron a la redacción, revisión y edición, y aprobaron la versión final del manuscrito para su publicación.

Correspondencia a Temitope C. Ekundayo.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Ekundayo, TC, Adewoyin, MA, Ijabadeniyi, OA et al. Determinación guiada por aprendizaje automático de la densidad de Acinetobacter en cuerpos de agua que reciben efluentes de aguas residuales municipales y hospitalarias. Informe científico 13, 7749 (2023). https://doi.org/10.1038/s41598-023-34963-6

Descargar cita

Recibido: 06 marzo 2023

Aceptado: 10 de mayo de 2023

Publicado: 12 mayo 2023

DOI: https://doi.org/10.1038/s41598-023-34963-6

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.