Rapid identification of MRSA using mass spectrometry and machine learning from over 20000 clinical isolates

Rapidly identifying methicillin-resistant Staphylococcus aureus (MRSA) with high integration in the current workflow is critical in clinical practices. We proposed a matrix-assisted laser desorption/ionization-time-of-flight mass spectrometry (MALDI-TOF MS) based machine learning model for rapidly MRSA prediction, the model was evaluated on a prospective test and four external clinical sites. On the dataset comprising 20359 clinical isolates, the area under the receiver operating curve of the classification model was 0.78–0.88. These results were further interpreted using SHapely Additive exPlanations. The important MRSA feature, m/z 6590–6599, was identified as a UPF0337 protein SACOL1680 and has a lower binding affinity or no docking results than to UPF0337 protein SA1452, which mainly detected in methicillin-susceptible S. aureus (MSSA). Our MALDI–TOF MS-based ML model for the rapid MRSA identification can be easily integrated into the current clinical workflows and can further support physicians prescribe proper antibiotic treatments.