Точная и быстрая идентификация минимально подготовленных фенотипов бактерий с помощью рамановской спектроскопии с помощью машинного обучения.

Том 12 научных докладов, номер статьи: 16436 (2022 г.) Цитировать эту статью

Доступы 1997 г.

4 цитаты

4 Альтметрика

Подробности о метриках

Рост резистентности к противомикробным препаратам (УПП) во всем мире представляет серьезную угрозу для здоровья человека. Чтобы предотвратить распространение УПП, необходимы быстрые и надежные диагностические инструменты, способствующие оптимальному использованию антибиотиков. В этом отношении рамановская спектроскопия обещает быструю идентификацию без использования меток и культур, а также тестирование чувствительности к противомикробным препаратам (AST) за один этап. Однако, несмотря на то, что многие исследования по идентификации бактерий и AST на основе комбинационного рассеяния света продемонстрировали впечатляющие результаты, необходимо устранить некоторые недостатки. Чтобы преодолеть разрыв между исследованиями, подтверждающими концепцию, и клиническим применением, мы разработали методы машинного обучения в сочетании с новым алгоритмом увеличения данных для быстрой идентификации фенотипов минимально подготовленных бактерий и различения устойчивых к метициллину (MR) от метициллин-чувствительные (МС) бактерии. Для этого мы реализовали модель спектрального преобразователя для гиперспектральных рамановских изображений бактерий. Мы показываем, что наша модель превосходит стандартные модели сверточных нейронных сетей при решении множества задач классификации как с точки зрения точности, так и с точки зрения времени обучения. Мы достигаем точности классификации более 96% на наборе данных, состоящем из 15 различных классов, и точности классификации 95,6% для шести видов бактерий MR-MS. Что еще более важно, наши результаты получены с использованием только быстрых и простых в изготовлении данных обучения и испытаний.

Обзор аппаратного обеспечения (рамановский микроскоп) и программного обеспечения (архитектура спектрального преобразователя). (а) Простая подготовка образцов бактерий, при которой бактерии с агаровых пластинок просто переносятся непосредственно на предметные стекла CaF\(_2\) и затем измеряются. Процесс переноса и обнаружения бактерий занимает менее одной минуты. (б) Схема самодельного рамановского микроскопа. В рамановском микроскопе используется длина волны возбуждения 785 нм, поскольку она оказалась оптимальной для идентификации бактерий, поскольку в значительной степени позволяет избежать флуоресценции и при этом дает достаточно высокий рамановский сигнал, чтобы обеспечить обнаружение с помощью ПЗС-матрицы при разумном соотношении сигнала к коэффициент шума (SNR). Объектив микроскопа (МО) с увеличением 100× используется для фокусировки возбуждающего лазера (размер пятна \(\sim \) 1 \(\upmu \) м), сбора рассеянного комбинационного рассеяния света и получения визуальных изображений. Растровое сканирование осуществляется с помощью автоматизированного столика XYZ. Дихроичное зеркало (DM) (высокочастотный диапазон 750 нм) используется для передачи видимого света освещения на ПЗС-матрицу для визуализации и локализации бактерий, в то время как другое DM (высокочастотный диапазон 805 нм) отделяет рамановский рассеянный свет от насоса. Для фильтрации накачки 785 нм используется дополнительный фильтр верхних частот (HPF, 800 нм) и полосовой фильтр (BPF, 785 нм ± 10 нм). Встроенный микроскоп имеет поле зрения примерно 60 \(\upmu \)m \(\times \) 60 \(\upmu \)m, а спектры комбинационного рассеяния собираются при сдвиге волнового числа 700-1600. см\(^{-1}\) спектрометром Хориба. (в) Блок-схема разработанного инструмента машинного обучения. Спектральный преобразователь (ST) состоит из дополнительного позиционного слоя внедрения, за которым следует выпадающий слой. Следующий уровень — это блок преобразователя-кодировщика, который последовательно содержит нормализацию слоя, многоголовое внимание, нормализацию слоя, а затем многослойный персептрон (MLP) с нелинейностью GELU. За выходными данными преобразователя-кодировщика следует нормализация уровня и уровень объединения последовательностей. Наконец, выходной слой представляет собой полностью связный линейный слой.

В то время как некоторые кризисы в области здравоохранения, такие как пандемия короны, являются непредвиденными и требуют немедленных мер, другие развиваются медленно и трудноразрешимы по своей природе, но со временем могут стать более серьезной угрозой для здоровья человека1,2. Примером последнего является устойчивость к противомикробным препаратам (УПП)3,4,5,6. УПП возникает, когда микробы, такие как бактерии и грибы, выживают при воздействии соединений, которые в норме подавляют их рост или убивают их. Это запускает процесс отбора, позволяющий устойчивым штаммам расти и распространяться. Хотя УПП является естественным процессом, он резко ускоряется под воздействием избирательного давления, такого как чрезмерное использование противомикробных препаратов7,8,9,10,11. Обычными методами, используемыми для выявления УПП у бактерий, являются диско-диффузионный тест, эпсилометрический тест и микроразведение, которые требуют культивирования и могут занять несколько дней12,13. Длительное время обработки этими методами может быть опасным для жизни инфицированного пациента, но также является проблематичным, поскольку патогенные бактерии могут распространиться и заразить больше людей. Поэтому общепринятой практикой является назначение пациентам антибиотиков широкого спектра действия, что приводит к ненужному лечению14. Таким образом, уже широко распространенная и растущая неадекватность противомикробной терапии объясняется чрезмерным использованием противомикробных препаратов в здравоохранении и сельском хозяйстве5,8,15. В 2019 году Всемирная организация здравоохранения (ВОЗ) объявила УПП «одной из 10 крупнейших глобальных угроз общественному здравоохранению, с которыми сталкивается человечество», и, согласно отчету, опубликованному Специальной межведомственной координационной группой ООН по антимикробной резистентности (IACG), в случае отсутствия действий Если принять во внимание, что патогены, устойчивые к противомикробным препаратам, могут ежегодно вызывать 10 миллионов смертей к 2050 году2.