Blog

Jan 17, 2024

Maschinelles Lernen

Wissenschaftliche Berichte Band 13,

Scientific Reports Band 13, Artikelnummer: 7749 (2023) Diesen Artikel zitieren

308 Zugriffe

Details zu den Metriken

Ein intelligentes künstliches intelligentes System (SAIS) zur Bestimmung der Acinetobacter-Dichte (AD) in Gewässern stellt eine unschätzbare Strategie zur Vermeidung sich wiederholender, mühsamer und zeitaufwändiger Routinen dar, die mit seiner Bestimmung verbunden sind. Diese Studie zielte darauf ab, AD in Gewässern mithilfe von maschinellem Lernen (ML) vorherzusagen. AD- und physikalisch-chemische Variablendaten (PVs) von drei Flüssen, die in einer einjährigen Studie über Standardprotokolle überwacht wurden, wurden an 18 ML-Algorithmen angepasst. Die Leistung der Modelle wurde mithilfe von Regressionsmetriken getestet. Der durchschnittliche pH-Wert, EC, TDS, Salzgehalt, Temperatur, TSS, TBS, DO, BSB und AD betrugen 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 bzw. 3,19 ± 0,03 log KBE/100 ml. Während sich die Beiträge der PVs in ihren Werten unterschieden, übertraf der von XGB [3,1792 (1,1040–4,5828)] und Cubist [3,1736 (1,1012–4,5300)] vorhergesagte AD-Wert andere Algorithmen. Außerdem belegten XGB (MSE = 0,0059, RMSE = 0,0770; R2 = 0,9912; MAD = 0,0440) und Cubist (MSE = 0,0117, RMSE = 0,1081, R2 = 0,9827; MAD = 0,0437) den ersten bzw. zweiten Platz bei der Vorhersage von AD. Die Temperatur war das wichtigste Merkmal bei der Vorhersage von AD und stand bei 10/18 ML-Algorithmen an erster Stelle, was für einen mittleren RMSE-Verlust von 43,00–83,30 % nach 1000 Permutationen verantwortlich war. Die teilweise Abhängigkeit und die verbleibende diagnostische Empfindlichkeit der beiden Modelle zeigten ihre effiziente AD-Prognosegenauigkeit in Gewässern. Zusammenfassend lässt sich sagen, dass eine vollständig entwickelte XGB/Cubist/XGB-Cubist Ensemble/Web-SAIS-App für die AD-Überwachung in Gewässern eingesetzt werden könnte, um die Bearbeitungszeit bei der Entscheidung über die mikrobiologische Qualität von Gewässern für Bewässerung und andere Zwecke zu verkürzen.

Acinetobacter-Arten gehören zur Gruppe der aeroben gramnegativen Bakterien, bei denen es sich um nicht bewegliche, nicht fermentative, Katalase-positive, Oxidase-negative eingekapselte Kokkobazillen mit einem DNA-G+C-Gehalt von 39 bis 47 mol1,2 handelt. Taxonomisch haben Wissenschaftler 68 validierte Arten in der Gattung Acinetobacter identifiziert, zahlreiche weitere müssen noch in Arten abgegrenzt werden3,4,5. Viele Acinetobacter-Arten kommen natürlicherweise in verschiedenen Umgebungen vor, darunter im Boden, im Wasser, in der Luft, im Abwasser, in Fomiten, auf der menschlichen Haut, bei Tieren und sogar auf Pflanzen6,7,8. Einige Arten können verschiedene Substrate wie Aminosäuren, Kohlenhydrate, organische Säuren und Kohlenwasserstoffe nutzen, während andere industrielle Enzyme wie Lipase und Protease absondern können9,10. Allerdings sind nur wenige Arten opportunistische Krankheitserreger für den Menschen. Beispielsweise ist Acinetobacter baumannii eine bekannte und berüchtigte Spezies in Krankenhäusern, die unter anderem lebensbedrohliche Infektionen wie Lungenentzündung, Atemwegs- und Harnwegsinfektionen, Septikämie und Wundinfektionen verursacht, insbesondere bei immungeschwächten Patienten11,12,13 .

Acinetobacter-Arten verbreiten sich weit über das Umweltmilieu und können in der Umwelt besorgniserregende Antibiotikaresistenzgene verbreiten14,15. Darüber hinaus wurde berichtet, dass Abwasseraufbereitungsanlagen (WWTPs), die durch Zuflüsse von Krankenhaus- und kommunalem Abwasser gespeist werden, im Vergleich zu anderen Quellen multiresistente (MDR) und extensiv arzneimittelresistente (XDR) Acinetobacter-Isolate in ihre Abwässer einbringen, die sie in Gewässer aufnehmen15,16. Die Einleitung von Abwasser aus Kläranlagen erhöht die Prävalenz von Acinetobacter in den aufnehmenden Flussgewässern und fördert die Antibiotikaresistenz und die Übertragung auf bewässertes Gemüse15. Die Übertragung von Acinetobacter spp. (insbesondere A. baumannii) – mit hoher antimikrobieller Resistenz und hoher Sterblichkeitsrate – auf frische Produkte wurde von Carvalheira et al.17 nachgewiesen und überprüft. Acinetobacter-Arten mit unterschiedlichen Resistenzfähigkeiten von MDR bis XDR wurden in frischem Obst und Gemüse isoliert (Äpfel, Kohl, Melonen, Blumenkohl, Paprika, Pilze, Salat, Gurken, Bananen, Radieschen, Maiskarotten, Kartoffeln, Pfirsiche, Birnen, Erdbeere, Apfel, Sellerie, Tomate und Rettich) mit einer Dichte von bis zu 50–1000 KBE/g18 in Hongkong19, Frankreich20, Nigeria21, Libanon22, Portugal23 und landwirtschaftlichen Umgebungen in Algerien24. Darüber hinaus unterstützen Gewässer, insbesondere ländliche Flüsse, beispielsweise die Freizeitnutzung in erheblichem Maße durch Menschen, die sich des Zuflusses/der Einträge von Abwasser aus Kläranlagen und des Zustroms multiresistenter Krankheitserreger, die für die öffentliche Gesundheit von Belang sind, einschließlich Acinetobacter25, nicht bewusst sind.

Die routinemäßige experimentelle Bestimmung und Identifizierung von Acinetobacter-Arten und anderen Bakterien in allen Matrizen (Wasser, Lebensmittel und klinische Proben usw.) unter Verwendung der Methode der wahrscheinlichsten Anzahl, der direkten Plattenzählung, des Adenosintriphosphat-Tests und der Membranfiltrationsmethoden ist in der Regel mühsam und repetitiv. zeitaufwändige (Inkubationszeit) und kostenintensive Unternehmungen, die Expertenwissen erforderten, das in den meisten Situationen möglicherweise nicht ohne weiteres verfügbar ist. Daher besteht ein dringender Bedarf an schnellen, zuverlässigen und kostengünstigen Mitteln, die kein oder nur geringes technisches Know-how erfordern, um die Acinetobacter-Dichte (AD) in Gewässern und anderen Matrizen zu bestimmen, um kurze Durchlaufzeiten zu gewährleisten, die für fundierte mikrobiologische Qualitätsentscheidungen erforderlich sind . Es wird die Hypothese aufgestellt, dass AD in Gewässern durch den Einsatz von maschinellen Lernintelligenz-Frameworks, die auf der dynamischen Beziehung zwischen AD auf der Grundlage der zuvor genannten Bestimmungsmethoden und physikalisch-chemischen Variablen von Gewässern und anderen Matrizen basieren, auf kostengünstige und zeiteffiziente Weise genau und zuverlässig vorhergesagt werden könnte Weg. Daher wäre ein künstliches Intelligenzsystem zur AD-Bestimmung in Gewässern, die Abwasser aus Kläranlagen aufnehmen und anschließend als Bewässerungsquellwasser (ISW) genutzt werden, eine unschätzbar wertvolle präventive Option für unmittelbare und zukünftige Herausforderungen im Bereich der öffentlichen Gesundheit.

Die Hauptvorteile von ML-Modellen liegen in ihrer Fähigkeit, Probleme zu überwinden, die mit traditionellen statistischen Modellen bei der Erfassung und Vorhersage mehrdimensionaler Interaktionen in großen Datenmengen verbunden sind, indem sie tiefe Muster „lernen“26. ML-Frameworks und SAIS ermöglichen eine proaktive statt einer reaktiven Verwaltung von Ereignissen. Daher finden MLs und SAIS zunehmend Anwendung in vielen Bereichen, darunter Medizin, Präzisionslandwirtschaft, Umweltmanagement, Wasseraufbereitung, Vibrio-Häufigkeit bei Mikroplastik, Abwasserbehandlung, Wassereinzugsgebietstypologien sowie Vorhersage der Regenwasserqualität und Epidemiologie26,27,28,29,30 und Die Anwendung wird täglich endlos erweitert.

Daher zielte die vorliegende Studie darauf ab, AD in Gewässern (die Krankenhaus-, Kommunal- und Kläranlagenabwässer aufnehmen) mithilfe von ML vorherzusagen/bestimmen, ohne die sich wiederholenden, mühsamen, kostenintensiven und zeitaufwändigen Laborroutinen, um die Durchlaufzeit zu verkürzen, die für eine fundierte mikrobiologische Erstellung erforderlich ist Qualitätsentscheidungen (z. B. für die Bewässerung und andere Zwecke).

Wasserproben wurden mithilfe der Stichprobentechnik aus den Flüssen Great Fish River, Keiskamma River und Thyume River entnommen, die an einem oder mehreren Punkten entlang ihres Verlaufs in der Provinz Ostkap in Südafrika als Auffanggewässer für die Einleitung von kommunalem und Krankenhausabwasser (MHWE) dienen . Mindestens fünf strategische Probenahmeorte für jeden Fluss wurden für die Probenentnahme ausgewählt, basierend auf der sozioökonomischen Bedeutung (z. B. Fischerei, Schwimmen, Nähe zu Kläranlagen, Landwirtschaft, Weideland, Bewässerung, Staudamm usw.). An den Probenahmestellen wurden Wassertemperatur (TEMP), pH-Wert, Gesamtgehalt an gelösten Feststoffen (TDS), elektrische Leitfähigkeit (EC), Salzgehalt (SAL) und gelöster Sauerstoff (DO) vor Ort mit einem Standard-Multiparametergerät bestimmt ( Hanna, Modell HI 9828) Instrumentenprotokoll. Darüber hinaus wurde die Trübung (TBS) der Flüsse mit einem Trübungsmessgerät (HACH, Modell 2100P) bewertet. Für die mikrobiologische Analyse und die Messung des biochemischen Sauerstoffbedarfs (BSB) wurden Mittelstromwasserproben (25–30 cm Tiefe) an denselben Probenahmestellen in drei Wiederholungen in sterilen Glas- bzw. Braunglasflaschen gesammelt, in Kühlboxen gelagert und zum Labor transportiert Analyse mit 6 h Sammlung31. Nach fünf Tagen Inkubation der Proben in bernsteinfarbenen Flaschen wurde der BSB der Proben mit einem biochemischen Sauerstoffbedarfsmessgerät (HACH, HQ 40 Tage)31 bestimmt. Die detaillierte Probenahmestrategie, die Beschreibung der Probenahmepunkte und die Karten des Untersuchungsgebiets entsprachen der Beschreibung in unserer vorherigen Studie32.

Die Dichte der Acinetobacter-Arten in den Wasserproben wurde mittels Membranfiltration geschätzt31. Kurz gesagt, 100 ml seriell verdünnter Wasserproben wurden in drei unabhängigen Iterationen unter Verwendung einer Zellulosemembran mit einem Durchmesser von 47 mm und einer Porengröße von 0,45 μm31 filtriert. Diese Membranen wurden gemäß den Anweisungen des Herstellers aseptisch auf frisch zubereitete Acinetobacter CHROMagar-Platten mit selektiven Zusätzen (CHROMagar, Paris, Frankreich) gelegt. Die Platten wurden 24 Stunden lang bei 37 °C inkubiert. Alle Acinetobacter-Kolonien, die nach der Inkubation auf CHROMagar-Platten rot gefärbt waren, wurden gezählt und logarithmisch transformiert (log KBE/100 ml). Alle Isolate wurden gereinigt, als Oxidase-negativ validiert und durch Acinetobacter-spezifische Polymerasekettenreaktion bewertet. Fünfzig Prozent (50 %) der Glycerinvorräte der Reinkultur wurden hergestellt und bei – 80 °C gelagert.

Die Datensätze wurden zunächst einer erklärenden und bivariaten Pearson-Korrelation (r) unterzogen [Gl. (1)] Analysen. Die Schätzung der 95 %-Konfidenzintervalle (95 %-KI) des r-Werts in der bivariaten Korrelationsanalyse basierte auf Fishers r-zu-z-Transformation mit Bias-Anpassung [Gl. (2)]. Um Multikollinearität zu vermeiden, bei der der r-Wert zwischen zwei Variablen ≥ 0,99 ist, wurde eine davon in nachfolgenden Modellen zufällig gelöscht (siehe Tabelle 2). Bei der Implementierung der Modelle kann jede der beiden Variablen verwendet werden. Außerdem wurden die Datensätze für die Modellimplementierung so zentriert, dass der Mittelwert = 0 und die Quadratwurzel der Varianz = 1 für Variablen war. Der Datensatz für DTR wurde nicht skaliert.

Dabei ist r ein Pearson-Korrelationskoeffizient mit möglichen Werten von −1 bis einschließlich 1. Hier stellen u und w ein PV-Paar dar und h ist die Stichprobengröße.

Die Acinetobacter-Dichte (AD) wurde als abhängige Variable der physikalisch-chemischen Variablen (PVs) der Flüsse modelliert. Daher wird der bedingt erwartete (CE) AD-Wert bei Instanzen von PVs, die aus einem Vektor von TEMP, DO, BOD, TSS, SAL und pH bestehen, als \({\mathrm{CE}}_{AD|PVs}( ANZEIGE)\). Somit kann die Schätzung des mittleren AD als Gleichung konstruiert werden. (3).

Gleichung (1) wurde über 18 Regressions-ML-Algorithmen implementiert, die über die robuste Fähigkeit verfügen, mehrdimensionale Variablen mit ordinalem/kontinuierlichem Ergebnis anzupassen, einschließlich linearer Regression mit schrittweiser Auswahl (LRSS), RF, XGB, SVR und linearer Regression (LR). Gradient Boosted Machine (GBM), neuronales Netzwerk (NNT) (6–6–1 Netzwerk mit 49 Gewichtungen vielfach; Zerfall = 0,1), ein KNN (k-nächster Nachbar), M5P, ein Boosted Regression Tree (BRT), ein Kubist Regression, ein Entscheidungsbaum (DTR), multivariate adaptive Regressionssplines (MARS), ANN [mit einer verborgenen Schicht mit 6 Knoten (ANN6), extreme Lernmaschine (ELM), zwei verborgenen Schichten mit 4 und 2 Knoten (ANN42), und zwei versteckte Schichten mit 3 und 3 Knoten (ANN33) und elastisches Netz (ENR)]. Der Datensatz (540 Beobachtungen, 6 Variablen nach Auswahl erklärender Merkmale) wurde in eine Lernteilmenge (70 %) zur Schätzung der Modellkoeffizienten und eine Validierungsteilmenge (30 %) zur Modellbegründung aufgeteilt. In allen ML-Implementierungen von Gl. (1) Zehn verschiedene Lern-Validierungs-Datensatzpaare wurden durch zehnfache Kreuzvalidierung, begleitet von drei Wiederholungen und zehn Melodielängen, generiert. Optimale Hyperparameter wurden mithilfe eines Rastersuchalgorithmus abgeleitet und ausgewählt. Die Hyperparameter der Modelle werden im Zusatzmaterial ausführlich beschrieben. Eine ausführliche Diskussion über die Stärken und Schwächen und die bisherige Anwendung der verschiedenen Algorithmen sowie deren Dokumentation finden Sie an anderer Stelle.

Die erklärende Darstellung aller Variablenbeiträge in den Modellen erfolgte gemäß Gl. (4):

Dabei bezeichnet t(j, w.) das j-te variable Beitragsmaß zur Modellvorhersage zum Zeitpunkt w und t0 die durchschnittliche Modellvorhersage33.

Die Leistung des MLI-Algorithmusmodells wurde anhand experimenteller Daten basierend auf den Gleichungen ermittelt. (5)–(8):

wobei h = Nummer der Probe; f0(): Basismodell; ri: Residuum für die i-te Beobachtung, U: Matrix der PVs; \(\underline{w}\): Vektor von AD; \(f\left(\widehat{\underline{\theta }},\underline{U}\right):\) Modell basierend auf dem Trainingsdatensatz; \(\widehat{\underline{\theta }}:\) geschätzte Werte der Koeffizienten des Modells; und \({\widehat{\underline{w}}}_{i}:\) Modellvorhersage äquivalent zu \({\mathrm{w}}_{i}\).

RMSE wurde außerdem zur Bewertung des mittleren Dropout-Verlusts für die Variablenbedeutung nach 1000 Permutationen eingesetzt34,35.

Zur Beurteilung der Empfindlichkeit des Modells wurden Restdiagnosen und teilweise Abhängigkeitsprofile der PVs von der vorhergesagten AD erstellt. Das partielle Abhängigkeitsprofil eines Modells f() (d. h. vom Modell zu einem Zeitpunkt erwarteter/vorhergesagter AD-Wert) und die auf s festgelegte Ergebnisvariable Uj (über die empirische/marginale Verteilung von Uj (h), d. h. die kollektive Verteilung aller anderen PVs ohne Uj ) entsteht nach Gl. (9) und (10):

Die Implementierung aller Modelle wurde in der Software R v.4.1.2 erreicht.

Eine deskriptive Zusammenfassung der physikalisch-chemischen Variablen und der Acinetobacter-Dichte der Gewässer ist in Tabelle 1 dargestellt. Der mittlere pH-Wert, EC, TDS und SAL der Gewässer betrug 7,76 ± 0,02, 218,66 ± 4,76 µS/cm, 110,53 ± 2,36 mg/L bzw. 0,10 ± 0,00 PSU. Während der durchschnittliche TEMP, TSS, TBS und DO der Flüsse 17,29 ± 0,21 °C, 80,17 ± 5,09 mg/L, 87,51 ± 5,41 NTU bzw. 8,82 ± 0,04 mg/L betrug, betrugen die entsprechenden DO5, BSB und AD betrug 4,82 ± 0,11 mg/L, 4,00 ± 0,10 mg/L bzw. 3,19 ± 0,03 log KBE/100 ml.

Die bivariate Korrelation zwischen gepaarten PVs variierte erheblich von sehr schwach bis perfekt/sehr stark positiver oder negativer Korrelation (Tabelle 2). Ebenso variiert die Korrelation zwischen verschiedenen PVs und AD. Beispielsweise besteht eine vernachlässigbare, aber positive, sehr schwache Korrelation zwischen AD und pH (r = 0,03, p = 0,422) und SAL (r = 0,06, p = 0,184) sowie eine sehr schwache inverse (negative) Korrelation zwischen AD und TDS ( r = − 0,05, p = 0,243) und EC (r = − 0,04, p = 0,339). Eine signifikant positive, aber schwache Korrelation besteht zwischen AD und BOD (r = 0,26, p = 4,21E−10) und TSS (r = 0,26, p = 1,09E−09) und TBS (r = 0,26, 1,71E−09). ), während AD eine schwache inverse Korrelation mit DO5 aufwies (r = − 0,39, p = 1,31E−21). Während zwischen TEMP und AD eine mäßige positive Korrelation bestand (r = 0,43, p = 3,19E−26), trat zwischen AD und DO eine mäßige, aber inverse Korrelation auf (r = − 0,46, 1,26E−29).

Die von den 18 ML-Regressionsmodellen vorhergesagte AD variierte sowohl im Durchschnittswert als auch in der Abdeckung (Bereich), wie in Abb. 1 dargestellt. Die durchschnittliche vorhergesagte AD reichte von 0,0056 Log-Einheiten nach M5P bis 3,2112 Log-Einheiten nach SVR. Die durchschnittliche AD-Vorhersage sank von 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)], SS [3.1786 ( 2.1622–4.7911)], GBM [3.1738 (1.4328–4.3036)], Kubist [3.1736 (1.1012–4.5300)], ELM [3.1714 (2.2236–4.9017)], KNN [3.1657 (1.4988–4.5001)], ANET6 [0,6077 ( 0,0419–1,1504)], ANET33 [0,6077 (0,0950–0,8568)], ANET42 [0,6077 (0,0692–0,8568)] und M5P [0,0056 (− 0,6024–0,6916)]. In Bezug auf die Reichweitenabdeckung übertrafen XGB [3,1792 (1,1040–4,5828)] und Cubist [3,1736 (1,1012–4,5300)] jedoch andere Modelle, da diese Modelle im Vergleich zu Rohdaten [3,1865 ( 1–4.5611)].

Vergleich der vom ML-Modell vorhergesagten AD in den Gewässern. RAW-Rohwert/empirischer AD-Wert.

Abbildung 2 zeigt die erklärenden Beiträge von PVs zur AD-Vorhersage durch die Modelle. Das Unterdiagramm AR gibt die absolute Größe (die die Parameterbedeutung darstellt) an, um die eine PV-Instanz die AD-Vorhersage jedes Modells gegenüber ihrem auf der vertikalen Achse dargestellten Mittelwert ändert. In LR entsprach eine absolute Änderung vom Mittelwert von pH, BSB, TSS, DO, SAL und TEMP einer absoluten Änderung von 0,143, 0,108, 0,069, 0,0045, 0,04 und 0,004 Einheiten in der AD-Vorhersagereaktion/dem AD-Vorhersagewert des LR . Außerdem wurde ein absoluter Antwortfluss von 0,135, 0,116, 0,069, 0,057, 0,043 und 0,0001 im AD-Vorhersagewert pH, BSB, TSS und DO zugeschrieben. SAL- bzw. TEMP-Änderungen durch LRSS. In ähnlicher Weise würde die absolute Änderung von DO, BSB, TEMP, TSS, pH und SAL 0,155 bzw. 0,061 erreichen. 0,099, 0,144 und 0,297 AD-Vorhersagereaktionsänderungen durch KNN. Darüber hinaus war der am meisten beigetragene oder wichtigste PV, dessen Änderung die Antwort auf die AD-Vorhersage weitgehend beeinflusste, TEMP (verringert oder verringert die Antworten auf bis zu 0,218) in RF. Zusammenfassend waren die Veränderungen der AD-Vorhersagereaktion am höchsten und wurden am signifikantesten durch BSB (0,209), pH-Wert (0,332), TSS (0,265), TEMP (0,6), TSS (0,233), SAL (0,198), BSB (0,127), BSB ( 0,11), DO (0,028), pH (0,114), pH (0,14), SAL (0,91) und pH (0,427) in XGB, BTR, NNT, DTR, SVR, M5P, ENR, ANET33, ANNET64, ANNET6, ELM , MARS bzw. Kubist.

PV-spezifischer Beitrag zu achtzehn ML-Modellen zur Vorhersagefähigkeit von AD in MHWE-Aufnahmegewässern. Auf der Y-Achse ist der durchschnittliche Basiswert der PV im ML dargestellt. Die grünen/roten Balken stellen den absoluten Wert jedes PV-Beitrags bei der Vorhersage von AD dar.

Tabelle 4 zeigt die Leistung der achtzehn Regressionsalgorithmen bei der Vorhersage von AD anhand der PVs der Gewässer. In Bezug auf MSE, RMSE und R2 belegten XGB (MSE = 0,0059, RMSE = 0,0770; R2 = 0,9912) und Cubist (MSE = 0,0117, RMSE = 0,1081, R2 = 0,9827) den ersten bzw. zweiten Platz und übertrafen damit andere Modelle Vorhersage von AD. Während die MSE- und RMSE-Metriken 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), und RF (MSE = 0,0282, RMSE = 0,1679) auf den Plätzen 3, 4, 5, 6 und 7 unter den MLs bei der Vorhersage von AD, M5P (R2 = 0,9589 und RF (R2 = 0,9584) verzeichneten eine bessere Leistung in Bezug auf R -Quadrat-Metrik und ANET6 (MAD = 0,0856) und M5P (MAD = 0,0863) in Bezug auf die MAD-Metrik unter den 5 Modellen. Aber Kubist (MAD = 0,0437) XGB (MAD = 0,0440) in Bezug auf die MAD-Metrik.

Die charakteristische Bedeutung jedes PV gegenüber permutationalem Resampling für die Vorhersagefähigkeit der ML-Modelle bei der Vorhersage von AD in den Gewässern ist in Tabelle 3 und Abb. S1 dargestellt. Die identifizierten wichtigen Variablen wurden von Modell zu Modell unterschiedlich eingestuft, wobei die Temperatur bei 10/18 der Modelle an erster Stelle stand. In den 10 Algorithmen/Modellen war die Temperatur für den höchsten mittleren RMSE-Dropout-Verlust verantwortlich, wobei die Temperatur in RF, ), 0,3044 (44,87 %) bzw. 0,2424 (68,77 %), während der RMSE-Abbrecherverlust 0,1143 (82,31 %), 0,1384 (83,30 %), 0,1059 (57,00 %), 0,4656 (50,58 %) und 0,2682 (57,58 %) beträgt wurde der Temperatur in ANET42, ANET10, ELM, M5P bzw. DTR zugeschrieben. Die Temperatur belegte bei 2/18 Modellen ebenfalls den zweiten Platz, darunter ANET33 (0,0559, 45,86 %) und GBM (0,0793, 21,84 %). Der BSB war eine weitere wichtige Variable bei der Vorhersage der AD in den Gewässern und belegte in 3/18-Modellen den ersten und in 8/18-Modellen den zweiten Platz. Während der BOD bei MARS (0,9343, 182,96 %), LR (0,0584, 27,42 %) und GBM (0,0812, 22,35 %) die erste wichtige Variable bei der AD-Vorhersage war, belegte er bei KNN (0,2660, 42,69 %) und XGB den zweiten Platz (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 %) und LRSS (0,0669, 31,65 %). SAL belegte den ersten Platz bei 2/18 (KNN: 0,2799; ANET33: 0,0633) und den zweiten Platz bei 3/18 (Cubist: 0,3795; ANET42: 0,0946; ANET10: 0,1359) der Modelle. DO lag bei 2/18 an erster Stelle (ENR [0,0562; 26,19 %] und LRSS [0,0899; 42,51 %]) und bei 3/18 an zweiter Stelle (RF [0,3240, 35,23 %], M5P [0,3704, 40,23 %], LR [0,0584). , 27,41 %]) der Modelle.

Abbildung 3 zeigt die Restdiagnosediagramme der Modelle, in denen die tatsächlichen AD-Werte und die von den Modellen prognostizierten AD-Werte verglichen werden. Die beobachteten Ergebnisse zeigten den tatsächlichen AD- und vorhergesagten AD-Wert im Fall von 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) und MARS (Q) waren verzerrt und der geglättete Trend überlappte nicht. Tatsächliche AD- und vorhergesagte AD-Werte wiesen jedoch eine stärkere Übereinstimmung auf und ein annähernd überlappender, geglätteter Trend wurde in RF (D), XGB (E), M5P (K) und Cubist (R) beobachtet. Unter den Modellen überschätzten RF (D) und M5P (K) die vorhergesagte AD bei niedrigeren bzw. höheren Werten. Während XGB und Cubist beide den AD-Wert bei niedrigerem Wert überschätzten, wobei XGB näher am geglätteten Trend als Cubist liegt. Im Allgemeinen ist ein geglätteter Trend, der die Verlaufslinie überlappt, wünschenswert, da er zeigt, dass ein Modell alle Werte genau/präzise anpasst.

Vergleich zwischen tatsächlicher und vorhergesagter AD durch die achtzehn ML-Modelle.

Der Vergleich der partiellen Abhängigkeitsprofile von PVs bei der AD-Vorhersage durch die 18 Modi unter Verwendung eines einheitlichen Modells durch PVs-Darstellung zur Verdeutlichung ist in den Abbildungen dargestellt. S2–S7. Die Teilabhängigkeitsprofile existierten in i. eine Form, bei der ein durchschnittlicher Anstieg der AD-Vorhersage mit einem PV-Anstieg einhergeht (Aufwärtstrend), (ii) umgekehrter Trend, bei dem ein Anstieg eines PV zu einem Rückgang der AD-Vorhersage führte, (iii) horizontaler Trend, bei dem ein PV zunimmt/abnimmt ergab keine Auswirkungen auf die AD-Vorhersage und (iv) einen gemischten Trend, bei dem die Form zwischen zwei oder mehr von i–iii wechselte. Die Reaktion der Modelle variierte mit einer Änderung der PV, insbesondere mit Änderungen über die Haltepunkte hinaus, die die AD-Vorhersagereaktion verringern oder erhöhen könnten.

Das partielle Abhängigkeitsprofil (PDP) von DO für Modelle weist entweder von Anfang an oder nach einem oder mehreren Haltepunkten der Natur ii und iv einen Abwärtstrend auf, mit Ausnahme von ELM, das einen Aufwärtstrend aufwies (i, Abb. S2). TEMP PDP hatte einen Aufwärtstrend (i und iv) und war in den meisten Fällen mit einem oder mehreren Haltepunkten gefüllt, hatte jedoch einen horizontalen Trend im LRSS (Abb. S3). SAL wies bei allen Modellen einen PDP mit einem typischen Abwärtstrend (ii und iv) auf (Abb. S4). Während der pH-Wert bei LR, LRSS, NNT, ENR, ANN6 einen typischen Abwärtstrend-PDP aufwies, wurde bei RF, M5P und SVR ein Abwärtstrend mit unterschiedlichen Haltepunkten beobachtet; Andere Modelle zeigten einen typischen Aufwärtstrend (i und iv), der mit Haltepunkten gefüllt war (Abb. S5). Der PDP von TSS zeigte einen Aufwärtstrend, der nach einem letzten Haltepunkt oder einem Abwärtstrend (ANNT6, SVR; Abb. S6) auf ein Plateau zurückkehrte (DTR, ANN33, M5P, GBM, RF, XFB, BRT). Der BSB-PDP wies in den meisten Modellen im Allgemeinen einen Aufwärtstrend auf, der mit Haltepunkten gefüllt war (Abb. S7).

Die vorliegende Untersuchung untersuchte den unschätzbaren Wert von MLs bei der Bestimmung von AD in Gewässern, um die Bearbeitungszeit bei der routinemäßigen Bestimmung des neu auftretenden Krankheitserregers zu verkürzen, wobei die öffentliche Gesundheit eine hohe Priorität hat und die Fall-Todesrate hoch ist. Jiang et al. zuvor gezeigt, dass ML-Modelle kostengünstige Risikobewertungsoptionen für Vibrio spp. vorhersagten und boten. relative Häufigkeit von Mikroplastik im Flussmündungsmilieu basierend auf einfach zu messenden Umweltvariablen30.

Der pH-Wert der Gewässer (5,05–9,11) entsprach nicht den südafrikanischen Wasserrichtlinien für Bewässerungszwecke und Freizeitnutzung mit einem pH-Bereich von 6,5–8,4 bzw. 6,5–8,536, aber der durchschnittliche pH-Wert (7,76 ± 0,02) der Gewässer wurde erfüllt den FAO-Kriterien37. Bezogen auf den Erreger Acinetobacter spp. Es ist bekannt, dass sie einen weiten pH-Wert (5–10) und Temperaturbereich (– 20 bis 44 °C) besitzen und überleben, mit einer optimalen langfristigen Überlebenstemperatur von 4–22 °C, unabhängig von der Nährstoffverfügbarkeit38.

Der beobachtete EC (47,00–561,00 µS/cm) der Gewässer entsprach im Allgemeinen den WHO-Richtlinien für 2500 µS/cm in Oberflächengewässern39, und der Mittelwert (218,66 ± 4,76 µS/cm) lag innerhalb der akzeptierten Grenzwerte von 400 µS/cm und 700 bis 3000 µS/cm WHO- und FAO-Standard für Bewässerungswasser37. Der EC-Wert der Gewässer fiel ebenfalls in die Kategorien Klasse I (ausgezeichnet: ≤ 250 µS/cm) und Klasse II (gut: 250–750 µS/cm) der EG-Grenzwertklassifizierung für Bewässerungswasser40. Die EC-Konzentrationen der Gewässer wirken sich im Allgemeinen negativ auf die Fischerei aus, da gemäß der USEPA (United States Environmental Protection Agency)41 ein EC-Bereich von 0,15–0,50 μS/cm zur Unterstützung der Fischerei erforderlich ist.

TDS fasste organische und anorganische Stoffe in den Gewässern zusammen, überschritt jedoch im Allgemeinen nicht den von der WHO maximal zulässigen Grenzwert von 1000 mg/L TDS im Trinkwasser39. Der TDS (23,00–279,00 mg/L) der Gewässer folgte dem Standard der Weltgesundheitsorganisation von einem TDS < 300 mg/L (ausgezeichnet) und sein Durchschnitt (110,53 ± 2,36 mg/L) überschreitet nicht den USEPA- und WHO-Grenzwert für Trinkwasser (500 mg/L)41,42.

Allerdings übertrafen die TBS-Durchschnittswerte der Gewässer die WHO-Richtlinie von 5 NTU39. Höhere EC-, TDS- und TBS-Werte in Oberflächengewässern werden im Allgemeinen auf Abwasser und anthropogene Aktivitäteneinträge zurückgeführt43. Darüber hinaus ist bekannt, dass hohe Konzentrationen an EC, TDS und TBS die Sicht, Sauberkeit, Sicherheit, Ästhetik und Freizeitnutzung von Flussgewässern beeinträchtigen44. Der mittlere TSS (80,17 ± 5,09 mg/L) der Gewässer überschritt den Abwassereinleitungsgrenzwert der WHO (2006) von 60 mg/L und überschritt die Richtwerte für Australien und Neuseeland (2000) (TSS < 0,03 mg/L). Qualität für die Aquakultur45,46. Darüber hinaus entsprach der durchschnittliche BSB-Wert (4,00 ± 0,10 mg/L) der Gewässer der Toleranzgrenze von 5 mg/L in Oberflächengewässern für Wasserlebewesen47. Ein höherer BSB-Gehalt in Gewässern verringert den für Wasserorganismen verfügbaren Sauerstoff48 und wirkt sich im Allgemeinen negativ auf die Fischerei und die Fischernte aus.

Die durchschnittliche AD (3,19 ± 0,03 log KBE/100 ml), die in dieser Studie ermittelt wurde, ist vergleichbar mit der AD, die aus Gewässern gemeldet wurde, die durch Krankenhausabwasser, Kläranlagen, informelle Siedlungen und Abwässer von Tierkliniken entlang des Flusslaufs des Umhlangane in Durban, Südafrika, beeinträchtigt wurden49. Der beobachtete Sauerstoffgehalt (8,82 ± 0,04 mg/L) und der BSB (4,00 ± 0,10 mg/L) deuteten beide auf die fakultativen aerophilen Eigenschaften von Acinetobacter und eine relativ hohe Nährstoffzusammensetzung der Flüsse hin, die wahrscheinlich aus den Abwässern stammt. Der durchschnittliche EC-Wert in den Gewässern betrug 218,66 ± 4,76 µS/cm. Dies zeigt einen hohen Gehalt an organischem Kohlenstoff (DOC) in den Flüssen. EC ist ein indirekter Indikator für DOC25,50,51 und weist Assoziationen mit Acinetobacter-spezifischem ARG und anderen ARG-Häufigkeiten auf25,52,53. Im Allgemeinen kann A. baumannii in der Umwelt unabhängig vom DO54-Gehalt überleben.

Das Ergebnis dieser Studie zeigte, dass AD vernachlässigbar – positiv, aber sehr schwach – mit pH (r = 0,03) und SAL (r = 0,06) sowie – negativ – mit TDS (r = – 0,05) und EC (r = – 0,04) korrelierte ) (Tabelle 2). Diese Ergebnisse können auf die Fähigkeit des Acinetobacter zurückgeführt werden, unter einer Vielzahl rauer Umweltbedingungen zu überleben. Eine signifikant positive Korrelation zwischen AD und BSB (r = 0,26), TSS (r = 0,26) und TBS (r = 0,26) deutete auf einen erheblichen Anstieg der AD mit einer Zunahme der Nährstoff- und DOC-Belastung in Gewässern hin (Abb. S7). Die Ergebnisse zeigten außerdem eine mäßig positive Korrelation zwischen TEMP und AD (r = 0,43), was darauf hindeutet, dass AD mit einem Anstieg der Temperatur38 bis zu bestimmten Grenzwerten häufiger zunimmt. AD korrelierte mäßig und umgekehrt mit DO (r = – 0,46), was darauf hindeutet, dass die Acinetobacter-Häufigkeit mit einem anaeroben Zustand oder einem niedrigen Sauerstoffgehalt zunimmt.

Die von den 18 ML-Modellen vorhergesagten AD-Durchschnitts- und Bereichswerte unterschieden sich. Die Ergebnisse der vorliegenden Studie legen nahe, dass sowohl die Unter-/Obergrenze als auch die allgemeine Trendcharakteristik der Vorhersage weitaus wichtiger sind als nur die durchschnittliche Vorhersage. Die meisten Algorithmen hatten höhere durchschnittliche Vorhersagen, überschätzten bzw. unterschätzten die AD-Werte an der Unter- bzw. Obergrenze. Daher sind andere Algorithmen als XGB und Cubist nicht für die Vorhersage von AD in Gewässern geeignet. Während die Leistung der meisten ML-Algorithmen wie RF, DTR und MARS43,55 in Bezug auf durchschnittliche Vorhersagen und Regressionsmetriken gelobt wurde, vernachlässigen die meisten Studien die Berücksichtigung der Unter-/Obergrenze und der allgemeinen Trendcharakteristik ihrer Vorhersagen – Dies ist von großer Bedeutung beim Umgang mit infektiösen Organismen/Giften, die bei sehr geringer Konzentration möglicherweise eine geringe Infektiositätsdosis haben/wirksam sind. Mehrere Forscher berichteten auch über die Überlegenheit von XGB gegenüber mehreren ML-Algorithmen bei der Vorhersageleistung in Bezug auf durchschnittliche Vorhersage und Empfindlichkeit43,55. Obwohl eine frühere Studie zeigte, dass RF-Modelle bei der Vorhersage der Vibrio spp. eine höhere Genauigkeit als XGB, SVR und ENR erreichten. In Bezug auf die relative Häufigkeit von Mikroplastik wurden die tatsächlichen Trendmerkmale einschließlich der Unter-/Obergrenzen nicht gemeldet30. Der Unterschied in der Trendabdeckung und den Grenzeigenschaften der Modelle bei AD-Vorhersagen ist auf die Fähigkeit der Modelle zurückzuführen, die komplexen Wechselwirkungen von Koexistenzniveaus/Änderungen verschiedener Umgebungsvariablen in unterschiedlichen Graden oder Konzentrationen zu erfassen. Es wurde auch festgestellt, dass die Leistung von Cubist [3,1736 (1,1012–4,5300)] hinsichtlich der Trend- und Grenzmerkmale mit der von XGB [3,1792 (1,1040–4,5828)] vergleichbar ist, da beide Modelle andere Modelle in den Schatten stellten. Ein typisches Problem bei den meisten in dieser Studie beobachteten Algorithmen war die Überschätzung bzw. Unterschätzung der AD bei niedrigeren bzw. höheren Konzentrationen. Diese Einschränkungen legen nahe, dass die Modelle bei niedrigeren AD-Konzentrationen einen falschen Alarm über ein hohes Risiko auslösen und bei höheren AD-Konzentrationen ein höheres Risiko untergraben könnten. Ein Hinweis darauf, dass diese Modelle die nichtlinearen komplexen Beziehungen zwischen AD, PVs und den zugrunde liegenden anthropogenen Einträgen nicht erfassen konnten.

Dennoch variierten die absoluten Beiträge der einzelnen PV-Änderungen zur Vorhersage der AD durch die Modelle anhand der ihnen zugeschriebenen Mittelwerte (Abb. 2). Die Verhaltensweisen könnten im Hinblick auf die komplexen Wechselwirkungen zwischen den PVs in Verbindung mit den vorherrschenden anthropogenen Flüssen in den Gewässern interpretiert werden. Im Gegensatz zu Verhaltensweisen in Modellen, in denen andere PVs konstant gehalten werden, um die Auswirkungen eines bestimmten PV auf die Ergebnisvariable (AD) zu bewerten, unterliegen mehrere PVs gleichzeitigen Schwankungen. Diese Wechselwirkungen werden in erheblichem Maße von den Algorithmen erfasst, was zu Unterschieden in der Rangfolge der PV-Beiträge zu AD-Vorhersagen durch die Algorithmen führt. Darüber hinaus sind intrinsische Eigenschaften der unterschiedlichen Algorithmen und Datenrauschen Hauptursachen für Unterschiede in den beobachteten Beiträgen von Variablen in ML-Modellen30.

Betrachtet man die Gesamtleistung von 18 KI-basierten Modellen, die in dieser Studie unter Verwendung der vier Metriken XGB (MSE = 0,0059, RMSE = 0,0770; R2 = 0,9912; MAD = 0,0440) und Cubist (MSE = 0,0117, RMSE = 0,1081, R2 = 0,9827) untersucht wurden ; MAD = 0,0437) waren die besten Modelle, die jeweils auf dem ersten und zweiten Platz lagen und andere bei der AD-Vorhersage in Gewässern in den Schatten stellten (Tabelle 4). XGB hat im Vergleich zu anderen den Ruf, in den meisten mikrobiologischen Regressionsstudien der ML-Algorithmus mit der besten Leistung zu sein30. Es wurde gezeigt, dass Cubist bei der Vorhersage von Bodeneigenschaften, einschließlich Gesamtstickstoff, organischem Kohlenstoff, Gesamtschwefel und austauschbarem Kalziumton, die partiellen kleinsten Quadrate, RF und MARS übertrifft. Sand und Kationenaustauschkapazität sowie pH- und RF-, Klassifizierungs- und Regressionsbäume, SVM und KNN zur Vorhersage von NH4–N und CSB in unterirdischen Abwässern von bebauten Feuchtgebieten56,57. Bei der Vorhersage der täglichen Verbreitung der COVID-19-Impfung übertraf Cubist die Algorithmen ENR, Gaussian Process, Slab (SPIKES) und Spikes ML58. Außerdem hat sich gezeigt, dass Cubist XGB bei der Vorhersage von linksventrikulären Drücken, Volumina und Spannungen überlegen ist59. Ein Ensemble aus XGB und Cubist könnte für eine bessere Leistung bei der Vorhersage der AD in Gewässern weiter genutzt werden. Es wurde jedoch gezeigt, dass ANN (R2 = 0,953) einen überlegenen Vorhersagekoeffizienten gegenüber dem kubistischen Modell (R2 = 0,946) und LR (R2 = 0,481) aufweist, wenn der Gehalt an fäkalen Kolibakterien in behandeltem Abwasser für Wiederverwendungszwecke untersucht wird60. Im Allgemeinen umfasste XGB ein Ensemble von Bäumen, die mehrdimensionale Interaktionen/Beziehungen erfassen, während Cubist die Stärken sowohl linearer Regressionsgleichungen als auch eines auf Baumstrukturen basierenden Komitees kombinierte, um effektiv lineare und nichtlineare mehrdimensionale Beziehungen zwischen Variablen und Ergebnisereignissen zu erfassen56. Die Ergebnisse zeigen, dass ANET6, ANRT42, ANET33, M5P und RF über MSE und RMSE verfügten, die sie bei der Vorhersage von AD auf den Plätzen 3, 4, 5, 6 und 7 unter den MLs platzierten. Ihre Leistungen sollten für praktische Vorhersagen vermieden werden von AD zu präventiven Zwecken.

TEMP war der wichtigste PV bei der Vorhersage von AD in den Gewässern und wurde anhand von 10/18 ML-Algorithmen bewertet, darunter RF, Modelle sowie 82,31 %, 83,30 %, 57,00 %, 50,58 % und 57,58 % RMSE-Dropout-Verlust in ANET42, ANET10, ELM, M5P und DTR. Die beobachteten Ergebnisse können durch den direkten und indirekten Einfluss von TEMP auf andere PVs und AD in den Gewässern erklärt werden. Der Sauerstoffgehalt nimmt mit steigender Temperatur ab, was den fakultativen aeroben Lebensstil von Acinetobacter begünstigt. Außerdem erhöht die Temperatur die Zersetzung organischer Stoffe in Gewässern, was zu hohen BSB-Gehalten führt und mehr Nährstoffe für AD und andere mikrobielle Lebewesen bereitstellt. Der daraus resultierende Anstieg des DOC in Gewässern ist ein indirekter Indikator für EC25,50,51 und es wurde festgestellt, dass er mit der Acinetobacter-spezifischen ARG-Häufigkeit in Gewässern zusammenhängt25,52,53. Der BSB war ein weiteres wichtiges Merkmal, das bei der Vorhersage der AD in den Gewässern identifiziert wurde und in 3/18 Modellen an erster Stelle stand [MARS (182,96 %), LR (27,42 %) und GBM (22,35 %)] und an zweiter Stelle in 8/18 Modellen [KNN (42,69). %), XGB (38,60 %); BRT (32,51 %), ELM (23,17 %), SVR (35,77 %), DTR (35,13 %), ENR (21,84 %) und LRSS (31,65 %). Der BSB ist ein Maß für die Nährstoffbelastung durch anthropogene Einträge wie Abwasser, landwirtschaftliche Aktivitäten und Umweltereignisse wie Regenwasserabflüsse. Der BSB beeinflusst auch EC, TDS und TBS in Oberflächengewässern.43 Während SAL in 2/18 (KNN, ANET33) und in 3/18 (Cubist, ANET42, ANET6) Modellen als erstes wichtiges Merkmal identifiziert wurde, kann Acinetobacter nur relativ überleben hohe SAL, ohne die Bevölkerungsdichte zu verbessern (Abb. S4). Im Gegensatz zu Vibrio spp., deren hohe Dichte mit einem hohen Salzgehalt verbunden ist30, da sie die Genexpression und funktionelle Proteine61 sowie schließlich das Wachstum und die Reproduktion von Vibrio62 fördert, sind hohe SAL-Werte nicht für AD geeignet, da sie die wachstumsbedingte Genexpression hemmen.

Die Sensitivitätsanalysen der 18 ML-Vorhersagemodelle für AD unter Verwendung der Restdiagnosediagramme ergaben, dass 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) und MARS (Q) passten nicht optimal zu den Daten. Dies impliziert, dass die Modelle nicht für die Vorhersage der AD in Gewässern geeignet sind. Mittlerweile haben Modelle wie RF (D), (K) übervorhergesagte bzw. untervorhergesagte AD an den unteren bzw. oberen Extremitäten. Dies könnte so interpretiert werden, dass ein übertriebenes Risiko (AD) auf einem wahrscheinlich harmlosen Niveau vorhergesagt wird, während das tatsächliche Risiko auf einer höheren Extremität abgeschwächt wird. Solche Modelle sind nicht geeignet, reale AD-Ereignisse in Gewässern zu beurteilen. Obwohl sowohl XGB als auch Cubist einen AD-Wert vorhersagten, der an den unteren Extremitäten etwas höher war als der tatsächliche Wert, wies XGB einen geglätteten Trend auf, der besser passte als Cubist. Im Vergleich zu anderen in dieser Studie untersuchten Modellen ist das Duo das beste und könnte für die AD-KI-intelligente Systemgestaltung zur Überwachung der Wasserqualität eingesetzt werden. Ein gestapeltes Modell aus XGB und Cubist könnte die Einschränkungen, die die beiden Modelle am unteren Ende des AD-Werts aufwiesen, übertreffen und überwinden.

Die Gesamtzusammenfassung der PDPs der PVs zur AD-Vorhersage durch die 18 Modi (Abb. S2–S7) ergab, dass jeder Grad an Änderung/Fluss in einem bestimmten PV, insbesondere Änderungen über seine Haltepunkte hinaus, eine entsprechende unterschiedliche Reaktion bei AD hervorrief, was möglich war AD-Vorhersagereaktion verringern oder erhöhen. Die verschiedenen Formen von Teilabhängigkeitsprofilen, wie im vorherigen Abschnitt erläutert, zeigten auch die direkten/indirekten/komplexen Wechselwirkungen zwischen PV und AD in Verbindung mit der Empfindlichkeit eines Modells bei der Abbildung der Beziehungen. Zusammenfassend lässt sich sagen, dass der Anstieg des AD-Niveaus (PDP) in den meisten Modellen einem Rückgangstrend bei DO und SAL entspricht, insbesondere nach seinen Haltepunkten, mit Ausnahme von ELM, wo DO einen Aufwärtstrend aufwies (i; Abb. S2 und S4). Diese Muster zeigten eine nichtlineare Beziehung zwischen AD und den PVs. In den meisten Modellen besteht eine nahezu zunehmende Beziehung zwischen TEMP und AD, gekoppelt mit einem oder mehreren Haltepunkten. LRSS ergab eine Null-Beziehung zwischen AD und TEMP, was darauf hindeutet, dass es nicht in der Lage ist, die Beziehung zwischen ihnen abzubilden. Obwohl gezeigt wurde, dass Acinetobacter einen breiten pH-Bereich aufweist, ist ein typischer Abwärtstrend-PDP des pH-Werts durch LR, LRSS, NNT, ENR, ANN6 – gefüllt mit Bruchpunkten in RF, M5P und SVR, während andere Modelle einen typischen Aufwärtstrend zeigten – ist aufschlussreich über die Schwäche der Modelle, da eine Erhöhung des pH-Werts von 5,02 auf 10 das Wachstum von Acinetobacter fördert38. AD-Vorhersagereaktionen, die in den meisten Modellen mit einem allgemeinen Anstieg des BSB unabhängig von den Haltepunkten übereinstimmen, zeigten, dass wichtige Nährstoffe für die Acinetobacter-Populationsdichte in Gewässern wichtig sind.

Abgesehen von den Stärken dieser aktuellen Studie war es außerdem die erste, die AD in Gewässern bewertete, die Krankenhaus- und kommunale Abwässer entlang ihrer Verläufe erhalten. Zwei ML-Algorithmen haben AD optimal und genau vorhergesagt und sich als vielversprechende Kandidaten für die Entwicklung von SAIS zur AD-Bestimmung und damit zur Verkürzung erwiesen Verkürzen Sie die Durchlaufzeit und reduzieren Sie den Arbeitsaufwand für experimentelle Ansätze. Außerdem waren die MLs in der Lage, nichtlineare komplexe mehrdimensionale Wechselwirkungen zwischen AD und PVs sowie ihre inhärenten anthropogenen Brennstoffe zu erfassen, die herkömmliche mathematische Modelle nicht zuverlässig abbilden konnten63. Darüber hinaus sind die MLs verbesserungswürdig und können in verschiedenen Wassermanagementlandschaften eingesetzt werden. Der Mangel der vorliegenden Studie liegt jedoch im Fehlen räumlich-zeitlicher Kovariaten, die die Vorhersagen der ML-Modelle verbessern könnten, da die stochastische Verteilung wasserbasierter Krankheitserreger sowohl durch die räumliche Ausdehnung als auch die zeitliche Dauer über die Tiefe der Wassersäulen hinweg bestimmt wird. Zukünftige Studien sollten Daten aus einem breiten Spektrum sozioökonomischer Aktivitäten/Bereiche suchen und räumlich-zeitliche und georäumliche Eingaben in die Entwicklung eines KI-basierten Vorhersagerahmens für die AD-Bestimmung einbeziehen.

Die vorliegende Studie hat bewiesen, dass SAIS eine evidenzbasierte Strategie zur Verkürzung der Bearbeitungszeit bei der Bewertung von AD in Gewässern ist; Dadurch wird die Belastung minimiert. Die besten in dieser Studie ermittelten Modelle (XGB/Cubist) könnten zu eigenständigen SAIS (XGB/Cubist, Qualität von Gewässern für Bewässerung und andere Zwecke. Die Studie zeigte auch, dass Temperatur und BSB in den meisten Modellen wichtige Kandidaten für die Vorhersage von AD in Gewässern sind. Schließlich könnte AD in Gewässern mithilfe KI-basierter intelligenter Systeme, die auf der Dynamik physikalisch-chemischer Variablen des Gewässers basieren, auf kostengünstige und zeiteffiziente Weise genau und zuverlässig vorhergesagt werden.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel und seinen ergänzenden Informationsdateien enthalten.

Acinetobacter-Dichte

Künstliche neuronale Netz

Biochemischer Sauerstoffbedarf

Verstärkter Regressionsbaum

Kubistische Regression

Entscheidungsbaum-Regression

Gelöster Sauerstoff

Elastische Netzregression

Elektrische Leitfähigkeit

Weitgehend medikamentenresistent

Extremer Gradient verstärkte Regression

Extreme Lernmaschine

Gradientenverstärkte Maschine

Bewässerungsquellgewässer

K-nächste Nachbarn

Lineare Regression

Lineare Regression mit schrittweiser Auswahl

Maschinelles Lernen

Mittlere quadratische Fehler

Mittlere absolute Abweichung

Multiresistent

Multivariate adaptive Regressionssplines

Kommunale und Krankenhausabwässer

Neurales Netzwerk

Physikochemische Variablen

Zufälliger Wald

Effektiver quadratischer Fehler

Salzgehalt

Intelligentes künstliches intelligentes System

Unterstützung der Vektorregression

Temperatur

Gesamtmenge gelöster Feststoffe

Trübung

Kläranlagen

Sofia, C., Angela, R., Luminiţa, SI, Raluca, F. & Iuliana, T. Kulturelle und biochemische Eigenschaften von Acinetobacter spp. aus Krankenhauseinheiten isolierte Stämme. J. Vorher. Med. 12(3–4), 35–42 (2004).

Google Scholar

Krizova, L., Maixnerova, M., Sedo, O. & Nemec, A. Acinetobacter bohemicus sp. Nov. in natürlichen Boden- und Wasserökosystemen in der Tschechischen Republik weit verbreitet. Syst. Appl. Mikrobiol. 37, 467–473 (2014).

Artikel PubMed Google Scholar

Gundi, VA, Dijkshoorn, L., Burignat, S., Raoult, D. & La Scola, B. Validierung der partiellen rpoB-Gensequenzanalyse zur Identifizierung klinisch wichtiger und neu auftretender Acinetobacter-Arten. Mikrobiol. 155, 2333–2341 (2009).

Artikel CAS Google Scholar

Nemec, A. et al. Genotypische und phänotypische Charakterisierung des Acinetobacter calcoaceticus-Acinetobacter baumannii-Komplexes mit dem Vorschlag von Acinetobacter pittii sp. Nov. (früher Acinetobacter genomic spec. 3) und Acinetobacter nosocomialis sp. Nov. (früher Acinetobacter genomische Art 13TU). Res. Mikrobiol. 162, 393–404 (2011).

Artikel CAS PubMed Google Scholar

Nemec, A. et al. Acinetobacter seifertii sp. nov., ein Mitglied des Acinetobacter calcoaceticus-Acinetobacter baumannii-Komplexes, isoliert aus menschlichen klinischen Proben. Int. J. Syst. Entwicklung Mikrobiol. 65 (Teil 3), 934–942. https://doi.org/10.1099/ijs.0.000043 (2015).

Artikel CAS PubMed Google Scholar

Choi, JY et al. Acinetobacter-Arten werden aus einer Reihe von Umgebungen isoliert: Artenuntersuchung und Beobachtung antimikrobieller Resistenzen. Diag. Mikrobiol. Dis infizieren. 74, 177–180 (2012).

Artikel CAS PubMed Google Scholar

Choi, JY et al. Acinetobacter kookii sp. Nov., vom Boden isoliert. Int. J. Syst. Entwicklung Mikrobiol. 63, 4402–4406 (2013).

Artikel CAS PubMed Google Scholar

Maravić, A. et al. Die städtische Flussumgebung ist eine Quelle multiresistenter und ESBL-produzierender, klinisch wichtiger Acinetobacter spp. Umgebung. Wissenschaft. Umweltverschmutzung. Res. 23, 3525–3535 (2016).

Artikel Google Scholar

Bhuyan, S. Studien zu Biotensiden/Bioemulgatoren von Acinetobacter genospezies und Brevibacterium halotolerans, isoliert aus Meeresumgebungen. Doktorarbeit, Universität Pune, Indien (2012).

Luo, QJ et al. Isolierung und Charakterisierung von Schiffsdieselöl abbauendem Acinetobacter sp. Stamm Y2. Ann. Mikrobiol. 6(2), 633–640 (2013).

Artikel Google Scholar

Peleg, AY, Seifert, H. & Paterson, DL Acinetobacter baumannii: Entstehung eines erfolgreichen Krankheitserregers. Klin. Mikrobiol. Rev. 21, 538–582. https://doi.org/10.1128/CMR.00058-07 (2008).

Artikel CAS PubMed PubMed Central Google Scholar

Adegoke, AA, Mvuyo, T. & Okoh, AI Allgegenwärtige Acinetobacter-Arten als nützliche Kommensalen, die jedoch nach und nach durch Antibiotikaresistenzgene ermutigt werden. J. Grundlegende Mikrobiol. 52, 620–627 (2012).

Artikel CAS PubMed Google Scholar

Mujumdar, AS & Balu, C. Isolierung, Biotypisierung, biochemische und physiologische Charakterisierung von marinem Acinetobacter, der an der Westküste Indiens isoliert wurde. Int. J. Curr. Mikrobiol. Appl. Wissenschaft. 2, 277–301 (2015).

Google Scholar

Palavecino, E., Greene, SR & Kilic, A. Charakterisierung von Carbapenemase-Genen und Antibiotikaresistenz bei Carbapenem-resistentem Acinetobacter baumannii zwischen 2019 und 2022. Infect. Dis. 54(12), 951–953. https://doi.org/10.1080/23744235.2022.2113137 (2022).

Artikel CAS Google Scholar

Hubeny, J. et al. Charakterisierung der Carbapenem-Resistenz in Umweltproben und Acinetobacter spp. Isolate aus Abwasser und Flusswasser in Polen. Wissenschaft. Gesamtumgebung. 822, 153–437 (2022).

Artikel Google Scholar

Eze, EC, El Zowalaty, ME & Pillay, M. Antibiotikaresistenz und Biofilmbildung von Acinetobacter baumannii, isoliert aus Hochrisiko-Abwasser in tertiären Krankenhäusern in Südafrika. J. Global Antimicrob. Widerstehen. 27, 82–90 (2021).

Artikel CAS Google Scholar

Ana, C., Joana, S. & Paula, T. Acinetobacter spp. in Lebensmitteln und Trinkwasser: Ein Rückblick. Lebensmittelmikrobiol. 95, 103675. https://doi.org/10.1016/j.fm.2020.103675 (2021).

Artikel CAS Google Scholar

Berlau, J., Aucken, HM, Houang, E. & Pitt, TL Isolierung von Acinetobacter spp. einschließlich eines Baumannii aus Gemüse: Auswirkungen auf im Krankenhaus erworbene Infektionen. J. Hosp. Infizieren. 42, 201–204. https://doi.org/10.1053/jhin.1999.0602 (1999).

Artikel CAS PubMed Google Scholar

Houang, ET et al. Auswirkungen auf Epidemiologie und Infektionskontrolle von Acinetobacter spp. in Hongkong. J. Clin. Mikrobiol. 39, 228–234 (2001).

Artikel CAS PubMed PubMed Central Google Scholar

Ruimy, R. et al. Bio- und konventionelles Obst und Gemüse enthalten gleich viele gramnegative Bakterien, die eine Resistenz gegen antibakterielle Wirkstoffe aufweisen. Umgebung. Mikrobiol. 12, 608–615 (2010).

Artikel CAS PubMed Google Scholar

Dahiru, M. & Enabulele, O. Vorkommen von Acinetobacter in frischen Karotten (Daucus carota subsp. sativus). Int. J. Biol. Biomol. Landwirtschaft. Lebensmittelbiotechnologie. Ing. 9, 1203–1207 (2015).

Google Scholar

Al Atrouni, A. et al. Erster Bericht über Oxa-72-produzierendes Acinetobacter calcoaceticus im Libanon. Neue Mikrob. Neue Infektion. 9, 11–12 (2016).

Artikel CAS Google Scholar

Carvalheira, A., Silva, J. & Teixeira, P. Salat und Früchte als Quelle multiresistenter Acinetobacter spp. Lebensmittelmikrobiol. 64, 119–125 (2017).

Artikel CAS PubMed Google Scholar

Zekar, FM et al. Von Bauernhöfen zu Märkten: Gramnegative Bakterien, die gegen Cephalosporine der dritten Generation in Obst und Gemüse in einer Region Nordafrikas resistent sind. Vorderseite. Mikrobiol. 8, 1569 (2017).

Artikel Google Scholar

Murphy, A., Barich, D., Fennessy, MS & Slonczewski, JL Ein malerischer Fluss im Bundesstaat Ohio weist erhöhte Antibiotikaresistenzgene auf, darunter Acinetobacter-Tetracyclin- und Makrolidresistenz, stromabwärts des Abwassers einer Kläranlage. Mikrobiol. Spectr. 9, e00941-e1021. https://doi.org/10.1128/Spectrum.00941-21 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Yang, X. et al. Durch maschinelles Lernen unterstützte Bewertung potenzieller Pflanzenkohlen für die pharmazeutische Entfernung aus Wasser. Umgebung. Res. 214, 113953. https://doi.org/10.1016/j.envres.2022.113953 (2022).

Artikel CAS PubMed Google Scholar

Liu, F., Jiang, Wissenschaft. Umweltverschmutzung. Res. Int. 29(5), 6911–6928 (2022).

Artikel PubMed Google Scholar

Forrest, IS et al. Auf maschinellem Lernen basierender Marker für koronare Herzkrankheit: Ableitung und Validierung in zwei Längsschnittkohorten. Lanzette 401, 215–225. https://doi.org/10.1016/S0140-6736(22)02079-7 (2023).

Artikel PubMed Google Scholar

Guzman, CB et al. Vergleich der Regenwasserqualität und der Wassereinzugsgebietstypologien in den Vereinigten Staaten: Ein Ansatz des maschinellen Lernens. Wasserres. 216, 118283. https://doi.org/10.1016/j.watres.2022.118283 (2022).

Artikel CAS Google Scholar

Jiang, J. et al. Maschinelles Lernen zur Vorhersage dynamischer Veränderungen pathogener Vibrio spp. Häufigkeit von Mikroplastik in der Meeresumwelt. Umgebung. Umweltverschmutzung. 305, 119257. https://doi.org/10.1016/j.envpol.2022.119257 (2022).

Artikel CAS PubMed Google Scholar

American Public Health Association (APHA). Standardmethoden zur Untersuchung von Wasser und Abwasser, 21. Aufl. (APHA, 2005).

Google Scholar

Adewoyin, MA, Ebomah, KE & Okoh, AI Antibiogrammprofil von Acinetobacter baumannii, gewonnen aus ausgewählten Süßwasserressourcen in der Provinz Ostkap, Südafrika. Krankheitserreger 10(9), 1110 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Biecek, P. & Burzykowski, T. Erklärende Modellanalyse: Erkunden (Chapman und Hall/CRC, 2021).

Buchen Sie Google Scholar

Namkung, J. Methoden des maschinellen Lernens für Mikrobiomstudien. J. Mikrobiol. 58(3), 206–216 (2020).

Artikel PubMed Google Scholar

Hansen, LK Stochastisches lineares Lernen: Exakte Test- und Trainingsfehlermittelwerte. Neuronales Netz. 6(3), 393–396 (1993).

Artikel Google Scholar

DWAF (Ministerium für Wasserangelegenheiten und Forstwirtschaft). Wasserqualitätsrichtlinien Bd. 8, 2–68 (Ministerium für Wasserangelegenheiten und Forstwirtschaft, 1996).

Google Scholar

Ayers, RS & Westcott, DW Wasserqualität für die Landwirtschaft; FAO Irrigation and Drainage Paper, Nr. 29 (FAO, 1985).

Google Scholar

Dekic, S., Hrenovic, J., Ivankovic, T. & van Wilpe, E. Überleben des ESKAPE-Erregers Acinetobacter baumannii in Wasser mit unterschiedlichen Temperaturen und pH-Werten. Wasserwissenschaft. Technol. 78(5–6), 1370–1376 (2018).

Artikel PubMed Google Scholar

Weltgesundheitsorganisation. Richtlinien für die Trinkwasserqualität (Weltgesundheitsorganisation, 2017).

Google Scholar

Abbas, H., Khan, MZ, Begum, F., Raut, N. & Gurung, S. Physikochemische Eigenschaften von Bewässerungswasser im westlichen Himilaya, Pakistan. ater Supply 20, 3368–3379 (2020).

Artikel CAS Google Scholar

USEPA. Nationale Trinkwasserverordnung EPA 816-F-09–004 (USEPA, 2009).

Google Scholar

WER. Richtlinien zur Trinkwasserqualität, 4. Auflage. https://www.who.int/publications/i/item/9789241548151 (2011).

Ibrahim, B. et al. Modellierung der Arsenkonzentration in mehreren Wasserquellen: Ein Vergleich verschiedener Methoden des maschinellen Lernens. Erdw. Aufrechterhalten. Entwickler 17, 100745 (2022).

Artikel Google Scholar

Gesundheit Kanada. Richtlinien für die Qualität von Freizeitgewässern in Kanada. In: Büro für Wasser, Luft und Klimawandel, Abteilung für gesunde Umwelt und Verbrauchersicherheit, 3. Aufl. (Gesundheit Kanada, 2012).

Weltgesundheitsorganisation. Richtlinien für die sichere Verwendung von Abwasser, Fäkalien und Grauwasser in der Landwirtschaft und Aquakultur. (Weltgesundheitsorganisation, 2006). https://apps.who.int/iris/handle/10665/78265.

Australische und neuseeländische Richtlinien für die Qualität von Süß- und Meerwasser. Die Richtlinien: Band 1. (2000). https://www.waterquality.gov.au/anz-guidelines/resources/ previous-guidelines/anzecc-armcanz-2000.

Bhatnagar, A. & Devi, P. Wasserqualitätsrichtlinien für das Management der Teichfischkultur. Int. J. Umgebung. Wissenschaft. 5, 1980–2009 (2013).

Google Scholar

Pleto, JVR, Migo, VP & Arboleda, MDM Vorläufige Wasser- und Sedimentqualitätsbewertung des Marilao-Meycauayan-Obando-Flusssystems in Bulacan, Philippinen J. Gesundheitsverschmutzung. 10, 200609 (2020).

Artikel PubMed PubMed Central Google Scholar

Govender, R., Amoah, ID, Kumari, S., Bux, F. & Astenström, T. Nachweis multiresistenter Umweltisolate von Acinetobacter und Stenotrophomonas maltophilia: Eine mögliche Bedrohung für ambulant erworbene Infektionen?. J. Umgebung. Wissenschaft. Gesundheit. A 56(2), 213–225. https://doi.org/10.1080/10934529.2020.1865747 (2021).

Artikel CAS Google Scholar

Monteiro, MTF et al. Konzentration von gelöstem organischem Kohlenstoff und seine Beziehung zur elektrischen Leitfähigkeit im Wasser eines Baches in einem bewaldeten Amazonas-Schwarzwassereinzugsgebiet. Pflanzenöko. Taucher. 7, 205–213. https://doi.org/10.1080/17550874.2013.820223 (2014).

Artikel Google Scholar

Ye, LL, Wu, XD, Liu, B., Yan, DZ & Kong, FX Dynamik von gelöstem organischem Kohlenstoff im eutrophen Taihu-See und seinen Nebenflüssen und ihre Auswirkungen auf die Bakterienhäufigkeit im Herbst und Winter. J. Freshw. Ökologisch. 30, 129–142. https://doi.org/10.1080/02705060.2014.939108 (2015).

Artikel CAS Google Scholar

Garner, E. et al. Metagenomische Charakterisierung von Antibiotikaresistenzgenen in großflächigen Brauchwasserverteilungssystemen und entsprechenden Trinkwassersystemen. Umgebung. Wissenschaft. Technol. 52, 6113–6125. https://doi.org/10.1021/acs.est.7b05419 (2018).

Artikel ADS CAS PubMed Google Scholar

Wang, C. & Hong, P.-Y. Genomaufgelöste Metagenomik und Analyse von Antibiotikaresistenzgenen in aufbereiteten Wasserverteilungssystemen. Wasser 12, 3477 (2020).

Artikel Google Scholar

Dekic, S., Jasna, H., van Erna, W., Chantelle, V. & Ivana, G.-B. Überleben des neu auftretenden Krankheitserregers Acinetobacter baumannii in einer Wasserumgebung, die unterschiedlichen Sauerstoffbedingungen ausgesetzt ist. Wasserwissenschaft. Technol. 80(8), 1581–1590. https://doi.org/10.2166/wst.2019.408 (2019).

Artikel CAS PubMed Google Scholar

Zhuang, X. & Zhou, S. Die Vorhersage der Selbstheilungskapazität von Beton auf Bakterienbasis mithilfe von Ansätzen des maschinellen Lernens. Berechnen. Mater. Fortsetzung 59, 1–10 (2019).

Google Scholar

Clingensmith, CM & Grunwald, S. Vorhersage von Bodeneigenschaften und Interpretation von Vis-NIR-Modellen aus dem gesamten Kontinent der Vereinigten Staaten. Sensoren 22, 3187. https://doi.org/10.3390/s22093187 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Nguyen, XC et al. Entwicklung eines neuen Ansatzes zur Designunterstützung von unterirdischen Feuchtgebieten mithilfe von Algorithmen für maschinelles Lernen. J. Umgebung. Geschäftsführer 301, 113868. https://doi.org/10.1016/j.jenvman.2021.113868 (2022).

Artikel CAS Google Scholar

Oyewola, DO, Dada, EG & Misra, S. Maschinelles Lernen zur Optimierung der täglichen Verbreitung von COVID-19-Impfstoffen zur Bekämpfung der Pandemie. Gesundheitstechnologie. 12, 1277–1293. https://doi.org/10.1007/s12553-022-00712-4 (2022).

Artikel Google Scholar

Dabiri, Y. et al. Vorhersage der linksventrikulären Mechanik mittels maschinellem Lernen. Vorderseite. Physik. https://doi.org/10.3389/fphy.2019.00117 (2019).

Artikel PubMed PubMed Central Google Scholar

Sbahi, S., Ouazzani, N., Hejjaj, A. & Mandi, L. Neuronales Netzwerk und kubistische Algorithmen zur Vorhersage des Gehalts an fäkalen Kolibakterien in behandeltem Abwasser durch ein mehrschichtiges Bodensystem für eine mögliche Wiederverwendung. J. Umgebung. Qual. 50, 144–157. https://doi.org/10.1002/jeq2.20176 (2021).

Artikel CAS PubMed Google Scholar

Naughton, LM, Blumerman, SL, Carlberg, M. & Boyd, EF Osmoadaptation zwischen Vibrio-Arten und einzigartige genomische Merkmale und physiologische Reaktionen von Vibrio parahaemolyticus. Appl. Umgebung. Mikrobiol. 75(9), 2802–2810. https://doi.org/10.1128/AEM.01698-08 (2009).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Whitaker, WB, Parent, MA & Naughton, LM Modulation der Reaktionen von Vibrio parahaemolyticus O3:K6 auf pH- und Temperaturstress durch Wachstum bei unterschiedlichen Salzkonzentrationen. Appl. Umgebung. Mikrobiol. 76(14), 4720–4729. https://doi.org/10.1128/AEM.00474-10 (2010).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Long, B. et al. Durch maschinelles Lernen und synthetische Biologie ermöglichte halbkontinuierliche Algenkultivierung zur Steigerung der Produktivität erneuerbarer Kraftstoffe. Nat. Komm. 13(1), 1–11 (2022).

Artikel ADS MathSciNet Google Scholar

Referenzen herunterladen

Die National Research Foundation, Südafrika, wird für das Stipendium mit der Unique Grant-Nr. 135441 gewürdigt. Adewoyin dankte der World Academy of Science, Italien (NRF/TWAS) für die Gründung mit den Grant-Nummern 99767 und 116387. Ekundayo dankte dem African-German Network of Excellence in Science (AGNES), das Bundesministerium für Bildung und Forschung (BMBF) und die Alexander von Humboldt-Stiftung (AvH) für finanzielle Unterstützung.

SAMRC Microbial Water Quality Monitoring Centre, Universität Fort Hare, Alice, Ostkap, Südafrika

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

Abteilung für Biotechnologie und Lebensmittelwissenschaft, Durban University of Technology, Steve Biko Campus, Steve Biko Rd, Musgrave, Berea, 4001, Durban, Südafrika

Temitope C. Ekundayo & Oluwatosin A. Ijabadeniyi

Abteilung für Mikrobiologie, Universität der medizinischen Wissenschaften Ondo, Ondo, Nigeria

Temitope C. Ekundayo

Fachbereich Biowissenschaften, Fakultät für Natur-, Angewandte- und Gesundheitswissenschaften, Anchor University, Ayobo Road, Ipaja, PMB 001, Lagos, Nigeria

Mary A. Adewoyin

Abteilung für Mikrobiologie, Fakultät für Biowissenschaften, Universität Benin, Private Mail Bag 1154, Benin City, 300283, Nigeria

Etinosa O. Igbinosa

Department of Environmental Health Sciences, College of Health Sciences, University of Sharjah, PO Box 27272, Sharjah, Vereinigte Arabische Emirate

Anthony I. Okoh

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung: TCE; AMA; Untersuchung: TCE; AMA; Software- und formale Analyse: TCE; Ressourcen: AIO; Schreiben – Originalentwurfsvorbereitung und Interpretationen: TCE; AMA; AIO; EOI; OAI; Aufsicht: AIO; Fördermitteleinwerbung: AIO; kritische Prüfung geistiger Inhalte: TCE; AMA; AIO; EOI; OAI; Alle Autoren trugen zum Schreiben – zur Überprüfung und Bearbeitung – bei und genehmigten die endgültige Version des Manuskripts zur Veröffentlichung.

Korrespondenz mit Temitope C. Ekundayo.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Ekundayo, TC, Adewoyin, MA, Ijabadeniyi, OA et al. Durch maschinelles Lernen gesteuerte Bestimmung der Acinetobacter-Dichte in Gewässern, die kommunales und Krankenhausabwasser aufnehmen. Sci Rep 13, 7749 (2023). https://doi.org/10.1038/s41598-023-34963-6

Zitat herunterladen

Eingegangen: 06. März 2023

Angenommen: 10. Mai 2023

Veröffentlicht: 12. Mai 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.