Abstract Background Functional RNA molecules participate in numerous biological processes, ranging from gene regulation to protein synthesis. Analysis of functional RNA motifs and elements in RNA sequences can obtain useful information for deciphering RNA regulatory mechanisms. Our previous work, RegRNA, is widely used in the identification of regulatory motifs, and this work extends it by incorporating more comprehensive and updated data sources and analytical approaches into a new platform. Methods and results An integrated web-based system, RegRNA 2.0, has been developed for comprehensively identifying the functional RNA motifs and sites in an input RNA sequence. Numerous data sources and analytical approaches are integrated, and several types of functional RNA motifs and sites can be identified by RegRNA 2.0: (i) splicing donor/acceptor sites; (ii) splicing regulatory motifs; (iii) polyadenylation sites; (iv) ribosome binding sites; (v) rho-independent terminator; (vi) motifs in mRNA 5'-untranslated region (5'UTR) and 3'UTR; (vii) AU-rich elements; (viii) C-to-U editing sites; (ix) riboswitches; (x) RNA cis-regulatory elements; (xi) transcriptional regulatory motifs; (xii) user-defined motifs; (xiii) similar functional RNA sequences; (xiv) microRNA target sites; (xv) non-coding RNA hybridization sites; (xvi) long stems; (xvii) open reading frames; (xviii) related information of an RNA sequence. User can submit an RNA sequence and obtain the predictive results through RegRNA 2.0 web page. Conclusions RegRNA 2.0 is an easy to use web server for identifying regulatory RNA motifs and functional sites. Through its integrated user-friendly interface, user is capable of using various analytical approaches and observing results with graphical visualization conveniently. RegRNA 2.0 is now available at http://regrna2.mbc.nctu.edu.tw .

Enterococcus faecium is one of the leading pathogens in the world. In this study, we proposed a strategy to rapidly and accurately distinguish vancomycin-resistant Enterococcus faecium (VREfm) and vancomycin-susceptible E. faecium (VSEfm) to help doctors correctly determine the use of vancomycin by a machine learning (ML)-based algorithm. A predictive model was developed and validated to distinguish VREfm and VSEfm by analyzing MALDI-TOF MS spectra of unique E. faecium isolates from different specimen types. Firstly, 5717 mass spectra, including 2795 VREfm and 2922 VSEfm, were used to develop the algorithm. And 2280 mass spectra of isolates, namely 1222 VREfm and 1058 VSEfm, were used to externally validate the algorithm. The random forest-based algorithm demonstrated good classification performances for overall specimens, whose mean AUROC in 5-fold cross validation, time-wise validation, and external validation was all greater than 0.84. For the detection of VREfm in blood, sterile body fluid, urinary tract, and wound, the AUROC in external validation was also greater than 0.84. The predictions with algorithms were significantly more accurate than empirical antibiotic use. The accuracy of antibiotics administration could be improved by 30%. And the algorithm could provide rapid antibiotic susceptibility results at least 24 hours ahead of routine laboratory tests. The turn-around-time of antibiotic susceptibility could be reduced by 50%. In conclusion, a ML algorithm using MALDI-TOF MS spectra obtained in routine workflow accurately differentiated VREfm from VSEfm, especially in blood and sterile body fluid, which can be applied to facilitate the clinical testing process due to its accuracy, generalizability, and rapidness.

Abstract Multi-drug resistant Staphylococcus aureus is one of the major causes of severe infections. Due to the delays of conventional antibiotic susceptibility test (AST), most cases were prescribed by experience with a lower recovery rate. Linking a 7-year study of over 20,000 Staphylococcus aureus infected patients, we incorporated mass spectrometry and machine learning technology to predict the susceptibilities of patients for 4 different antibiotics that can enable early antibiotic decisions. The predictive models were externally validated in an independent patient cohort, resulting in an area under the receiver operating characteristic curve of 0.94, 0.90, 0.86, 0.91 and an area under the precision-recall curve of 0.93, 0.87, 0.87, 0.81 for oxacillin (OXA), clindamycin (CLI), erythromycin (ERY) and trimethoprim-sulfamethoxazole (SXT), respectively. Moreover, our pipeline provides AST 24–36 h faster than standard workflows, reduction of inappropriate antibiotic usage with preclinical prediction, and demonstrates the potential of combining mass spectrometry with machine learning (ML) to assist early and accurate prescription. Therapies to individual patients could be tailored in the process of precision medicine.