Salmonella entericaは、異なる宿主、食品生産チェーン、環境リザーバー、伝播経路に関連する遺伝的および生態学的に多様な系統から成る。全ゲノム配列決定は疫学的な由来推定に関する膨大な情報を与える一方で、不完全で一貫性のないメタデータと信頼できるグラウンドトゥルースデータセットの欠如によって、生態学的分類は複雑になる。そこで、ゲノム配列からS. enterica分離株のあり得る生態学的関連を予測するための、半教師ありのジェノタイプ誘導型階層機械学習アプローチを開発した。NCBIから取得したS. entericaの完全ゲノム2,406件をPanarooのパンゲノム解析ツールで比較し、その結果得られた一塩基多型の行列を用いて、漸進的な次元削減、スコアリング、フィルタリング、ならびに、クエリ配列を特定の生息地へ関連付けるノードに紐づく意思決定モデルの階層的枠組みの学習を行った。得られた分類モデルは、診断的な多型の類似したパターンを持つゲノムが見出された、生息地の組合せを予測する。この組合せは病原体の拡散経路の可能性を反映しているかもしれない。既知の分離由来を含むNCBI由来ゲノムから構成されたテストデータセットでプログラムを検証したところ、62%が完全一致した。情報量の多い変異を担う遺伝子の機能解析により、グリオキシル酸シントンおよびTCAサイクル、炭水化物とアミノ酸の利用、嫌気的呼吸、レドックス代謝、イオンおよび金属の恒常性、運動性、転写調節、ならびにIII型分泌に関する関連が示され、選択されたゲノム特徴が生態学的適応を担う生物学的に意味のある機構を捉えていることが示唆された。得られたSalmonella_classifierツールは、新たに配列決定されたS. enterica分離株の生態学的プロファイルを推定するための、自由に利用可能な枠組みを提供し、生態学的グラウンドトゥルースが信頼できない場合でも解釈可能なゲノム分類器を構築するアプローチを示している。プログラムは公開GitHubリポジトリから入手できる。
https://doi.org/10.20944/preprints202609.0205.v1