Identificazione accurata e rapida di fenotipi di batteri minimamente preparati utilizzando la spettroscopia Raman assistita dall'apprendimento automatico

Rapporti scientifici volume 12, numero articolo: 16436 (2022) Citare questo articolo

Accessi 1997

4 citazioni

4 Altmetrico

Dettagli sulle metriche

L’aumento mondiale della resistenza antimicrobica (AMR) rappresenta una seria minaccia per la salute umana. Per evitare la diffusione della resistenza antimicrobica, strumenti diagnostici rapidi e affidabili che facilitino una gestione antibiotica ottimale rappresentano un’esigenza insoddisfatta. A questo proposito, la spettroscopia Raman promette una rapida identificazione senza etichetta e senza coltura e test di sensibilità antimicrobica (AST) in un unico passaggio. Tuttavia, anche se molti studi di identificazione batterica e AST basati su Raman hanno dimostrato risultati impressionanti, è necessario affrontare alcune carenze. Per colmare il divario tra gli studi di prova e l'applicazione clinica, abbiamo sviluppato tecniche di apprendimento automatico in combinazione con un nuovo algoritmo di aumento dei dati, per l'identificazione rapida di fenotipi di batteri minimamente preparati e la distinzione di batteri resistenti alla meticillina (MR) da batteri sensibili alla meticillina (MS). Per questo abbiamo implementato un modello di trasformatore spettrale per immagini Raman iperspettrali di batteri. Mostriamo che il nostro modello supera i modelli standard di reti neurali convoluzionali su una moltitudine di problemi di classificazione, sia in termini di accuratezza che in termini di tempo di addestramento. Raggiungiamo un'accuratezza di classificazione superiore al 96% su un set di dati composto da 15 classi diverse e un'accuratezza di classificazione del 95,6% per sei specie di batteri MR-MS. Ancora più importante, i nostri risultati vengono ottenuti utilizzando solo dati di test e training rapidi e facili da produrre.

Panoramica dell'hardware (microscopio Raman) e del software (architettura del trasformatore spettrale). (a) La semplice preparazione del campione di batteri, in cui i batteri dalle piastre di agar vengono semplicemente trasferiti direttamente sui vetrini obiettivo CaF\(_2\) e quindi misurati. Il processo di trasferimento e ricerca dei batteri richiede meno di un minuto. (b) Schema del microscopio Raman costruito in casa. Il microscopio Raman utilizza una lunghezza d'onda di eccitazione di 785 nm, poiché si è rivelata ottimale per l'identificazione dei batteri, poiché evita in gran parte la fluorescenza e fornisce comunque un segnale Raman sufficientemente elevato da consentire il rilevamento da parte di un CCD con un rapporto segnale-to-range ragionevole. rapporto di rumore (SNR). Un obiettivo del microscopio (MO) da 100× viene utilizzato per focalizzare il laser di eccitazione (dimensione dello spot \(\sim \) 1 \(\upmu \)m), la raccolta della luce diffusa Raman e l'imaging visivo. La scansione raster viene ottenuta con una fase XYZ automatizzata. Uno specchio dicroico (DM) (passa alto 750 nm) viene utilizzato per accoppiare la luce di illuminazione visibile a un CCD per l'imaging e la localizzazione dei batteri, mentre un altro DM (passa alto 805 nm) separa la luce diffusa Raman dalla pompa. Per filtrare la pompa da 785 nm vengono utilizzati un ulteriore filtro passa alto (HPF, 800 nm) e un filtro passa banda (BPF, 785 nm ± 10 nm). Il microscopio integrato ha un campo visivo di circa 60 \(\upmu \)m \(\times \) 60 \(\upmu \)m e gli spettri Raman vengono raccolti con uno spostamento del numero d'onda di 700-1600 cm\(^{-1}\) mediante uno spettrometro Horiba. (c) Lo schema a blocchi dello strumento di apprendimento automatico sviluppato. Il trasformatore spettrale (ST) è costituito da uno strato di incorporamento posizionale opzionale, seguito da uno strato di dropout. Lo strato successivo è un blocco trasformatore-codificatore che contiene sequenzialmente la normalizzazione dello strato, l'attenzione multitesta, la normalizzazione dello strato e quindi un percettrone multistrato (MLP) con una non linearità GELU. L'uscita del trasformatore-codificatore è seguita dalla normalizzazione dello strato e da uno strato di pooling di sequenze. Infine, lo strato di output è uno strato lineare completamente connesso.

Mentre alcune crisi sanitarie, come la pandemia del coronavirus, sono imprevedibili e richiedono misure immediate, altre si sviluppano lentamente, sono di natura intrattabile, ma col tempo potrebbero diventare una minaccia più grande per la salute umana1,2. Un esempio di quest’ultimo è la resistenza antimicrobica (AMR)3,4,5,6. La resistenza antimicrobica si verifica quando microbi, come batteri e funghi, sopravvivono all’esposizione a composti che normalmente ne inibirebbero la crescita o li ucciderebbero. Ciò guida un processo di selezione, consentendo ai ceppi resistenti di crescere e diffondersi. Sebbene la resistenza antimicrobica sia un processo naturale, viene notevolmente accelerato da pressioni selettive come l’uso eccessivo di antimicrobici7,8,9,10,11. Le tecniche convenzionali utilizzate per identificare la resistenza antimicrobica nei batteri sono il test di diffusione su disco, il test epsilometrico e la microdiluizione, che richiedono coltura e possono richiedere giorni12,13. Il lungo tempo di elaborazione di queste tecniche può mettere a rischio la vita del paziente infetto, ma è anche problematico, poiché i batteri patogeni potrebbero diffondersi e infettare più persone. Pertanto è pratica comune prescrivere ai pazienti antibiotici ad ampio spettro, il che porta a trattamenti non necessari14. Pertanto, la già diffusa e crescente inadeguatezza della terapia antimicrobica è attribuita all’uso eccessivo di antimicrobici nel settore sanitario e in agricoltura5,8,15. Nel 2019, l'Organizzazione mondiale della sanità (OMS) ha dichiarato la resistenza antimicrobica come "una delle 10 maggiori minacce globali alla salute pubblica per l'umanità" e, secondo un rapporto pubblicato dal gruppo di coordinamento interagenzia ad hoc delle Nazioni Unite sulla resistenza antimicrobica (IACG), se non verrà intrapresa alcuna azione , gli agenti patogeni resistenti agli antimicrobici potrebbero causare ogni anno 10 milioni di morti entro il 20502.