表面增强拉曼光谱和深度学习的协同结合为任意介质中细菌的无分离检测提供了有效平台
细菌鉴定可能需要数小时甚至更长时间，这对于诊断感染和选择合适的治疗方法来说是宝贵的时间。韩国科学技术院(KAIST)的研究人员表示，可能会有一个更快、更准确的过程。通过教授深度学习算法识别各种细菌分子成分的“指纹”光谱，研究人员可以对不同培养基中的各种细菌进行分类，准确率高达98%。
他们的研究结果已于1月18日在《生物传感器与生物电子学》杂志的网站上公布，并将于4月号发表。
细菌引起的疾病，即直接由细菌感染或暴露于细菌毒素引起的疾病，可引起痛苦的症状，甚至导致死亡，因此快速检测细菌对于防止摄入受污染的食物和从临床样本(如尿液)诊断感染至关重要。计算学院教授Sungho Jo表示:“通过使用新提出的深度学习模型增强的表面增强拉曼光谱(SERS)分析，我们展示了一种明显简单、快速和有效的路径，可以在没有任何分离程序的情况下对两种常见细菌及其寄居介质的信号进行分类。”
拉曼光谱学将光通过一个样本来观察它是如何散射的。结果揭示了样品的结构信息——光谱指纹——允许研究人员识别其分子。表面增强的版本将样本细胞放置在贵金属纳米结构上，以帮助放大样本的信号。
然而，由于细菌大量重叠的峰源(如细胞壁中的蛋白质)，获得一致和清晰的光谱是一项挑战。“此外，周围介质的强信号也会被增强，以压倒目标信号，这需要耗时而繁琐的细菌分离步骤，”材料科学与工程学系教授延植Jung说。
为了解析噪声信号，研究人员实施了一种名为深度学习的人工智能方法，可以分层次提取光谱信息的某些特征来对数据进行分类。他们专门设计了他们的模型，命名为双分支宽核网络(DualWKNet)，以有效地学习光谱特征之间的相关性。乔教授表示，这种能力对于分析一维光谱数据至关重要。
Jo教授解释说:“虽然培养基中存在干扰信号或噪声，使不同的细菌光谱和其所在的培养基信号的大致形状看起来很相似，但实现了细菌类型和其培养基的高分类准确性。”他解释说，DualWKNet使研究小组能够识别在单个光谱中几乎无法分辨的每个类别的关键峰，提高了分类准确性。“最终，使用DualWKNet取代细菌和培养基分离步骤，我们的方法大大减少了分析时间。”
研究人员计划利用他们的平台研究更多的细菌和培养基类型，利用这些信息建立一个额外培养基中各种细菌类型的训练数据库，以减少新样本的收集和检测时间。
赵教授表示:“通过SERS和深度学习的合作，我们开发了一个有意义的通用平台，用于快速检测细菌。”“我们希望扩展我们基于深度学习的SERS分析平台的使用，以检测对食物或临床分析(如血液)很重要的其他介质中的多种细菌。”
科学技术信息通信部通过国家研究财团提供的国家研究开发计划(R&D)支持了这项研究。
出版
Eojin Rho, Minjoon Kim, Seunghee H. Cho, Bongjae Choi, Hyungjoon Park, Hanhwi Jang, Yeon Sik Jung, Sungho Jo，“通过深度任意介质的无分离细菌鉴定
基于神经网络的SERS分析，”生物传感器和生物电子在线2022年1月18日(doi.org/10.1016/j.bios.2022.113991)
推荐阅读：试管助孕公司
