- 3 次围观
本文利用 DRIAMS 数据集，根据基质辅助激光解吸/电离飞行时间（MALDI-TOF）质谱预测抗菌药物耐药性（AMR），并在涵盖 13 个物种—抗生素数据集的范围内进行评估；这些数据集的敏感/耐药类别不平衡比介于 2.95:1 至 141.21:1 之间，原始质谱相似度介于 0.9166 至 0.9946 之间。我们提出了 HetSAGE，一种异质图神经网络（GNN），将完整光谱的“原始”边与由 4 种特征选择方法投票得到的共识“生物标志物”边相结合，并针对不同边类型分别施加 dropout，以分别对这两种视图进行正则化。仅当质谱相似度较高时，HetSAGE 才优于普通多层感知机（MLP），这与更广泛的 GNN 研究中报道的过平滑效应相一致；生物标志物视图最终聚焦于与独立确立的临床标志物高度接近的特征：在金黄色葡萄球菌—苯唑西林数据集中，特征差异在 ±1 Da 以内；在肺炎克雷伯菌—美罗培南数据集中，特征位于已知范围之内，从而证实该模型并非黑箱。与此同时，针对不同边类型分别施加的 dropout，使这一规模较小的信号免于被针对噪声更大的原始光谱所调节的正则化过程稀释。总体而言，这些结果表明，异质图结构并非在基于 MALDI-TOF 的 AMR 预测中普遍有效，而是一种有条件的优势，其适用性取决于数据的一项可测量属性——质谱相似度，而非仅仅取决于模型架构本身。这一限制在当前基于 DRIAMS 的 GNN 研究中基本未得到讨论。该发现为实践者提供了一个具体的判断信号，用于决定何时采用图模型所增加的复杂性是值得的，而不是使用普通 MLP。
本文利用DRIAMS数据集，根据基质辅助激光解吸/电离飞行时间（MALDI-TOF）质谱预测抗微生物药物耐药性（AMR），并在涵盖13组物种–抗生素数据集上进行评估；各数据集的敏感/耐药样本不平衡比介于2.95∶1至141.21∶1之间，原始光谱相似度介于0.9166至0.9946之间。我们提出了HetSAGE，一种异质图神经网络（GNN），将完整光谱的“原始”边与通过4种特征选择方法投票得到的共识“生物标志物”边相结合，并针对不同边类型分别施加dropout，以独立正则化这两种视图。仅当光谱相似度较高时，HetSAGE的性能才优于普通多层感知机（MLP），这与更广泛的GNN文献中所报道的过平滑效应一致；生物标志物视图最终聚焦于与独立确立的临床标志物相近的特征：在金黄色葡萄球菌–苯唑西林数据集中，特征位于±1 Da范围内；在肺炎克雷伯菌–美罗培南数据集中，特征位于相应范围内，从而证实该模型并非黑箱。与此同时，针对不同边类型分别施加的dropout，使这一规模较小的信号免受针对噪声更大的原始光谱所调节的正则化过程的稀释。
总体而言，这些结果表明，异质图结构并非在MALDI-TOF AMR预测中普遍优于其他方法，而是一种有条件的优势，其适用性取决于数据的一项可测量属性——光谱相似度——而非仅仅取决于模型架构本身。当前基于DRIAMS的GNN研究在很大程度上尚未讨论这一限制。该发现为实践者提供了一个具体信号，帮助其判断何时图模型所增加的复杂性值得相较于普通MLP加以采用。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.24.754085v1?rss=1
🏷️ 抗菌药物耐药性预测 MALDI-TOF质谱 异构图神经网络 生物标志物 深度学习 DRIAMS数据集