Klasifikasi Resistensi Obat Pada Mycobacterium Tuberculosis Dari Sekuens Genome Menggunakan Algoritma Multi Label Random Forest

Abstract

Kasus resistensi bakteri Mycobacterium tuberculosis terhadap obat perawatan yang diberikan sedang banyak terjadi. Klasifikasi dan prediksi resistensi obat pada bakteri tuberkulosis diperlukan dalam rangka memberikan perawatan yang tepat. Akan tetapi, uji kepekaan obat (DST) secara konvensional memerlukan waktu dan biaya yang cukup tinggi, sehingga diperlukan alternatif lain. Mengandalkan teknologi next-generation sequencing pada saat ini, metode machine learning dapat digunakan untuk memprediksi resistensi obat pada bakteri tuberkulosis. Penelitian ini berfokus dalam klasifikasi resistensi obat pada bakteri tuberkulosis dengan metode Multi-Label Random Forest (MLRF) menggunakan data sekuens hasil whole genome sequencing (WGS). ARIBA digunakan untuk ekstraksi fitur genetik potensial dari data sekuens yang berpengaruh terhadap antimicrobial resistance (AMR). Fitur genetik yang berpotensi memiliki pengaruh terhadap AMR akan digunakan untuk konstruksi model MLRF dalam klasifikasi resistensi obat pada bakteri. Optimalisasi terhadap model MLRF juga dilakukan dalam upaya meningkatkan akurasi dari model

There are many cases of drug resistance of the Mycobacterium tuberculosis bacteria to the treatment drugs given. Classification and prediction of drug resistance in tuberculosis bacteria is needed in order to provide appropriate treatment. However, conventional drug susceptibility testing (DST) requires a high time and cost, so another alternative is needed. Relying on current next-generation sequencing technology, machine learning methods can be used to predict drug resistance in tuberculosis bacteria. This study focuses on the classification of drug resistance in tuberculosis bacteria using the Multi-Label Random Forest (MLRF) method using sequence data from whole genome sequencing (WGS). The tool used to extract potential genetic features that influence antimicrobial resistance (AMR) from sequence data is ARIBA. Genetic features that have the potential to influence AMR will be used for the construction of the MLRF model in the classification of drug resistance in bacteria. Optimization of the MLRF model was also carried out in an effort to increase the accuracy of the model.