23.3 C
Lisboa
Quarta-feira, Julho 6, 2022

Técnica de aprendizado de máquina de ‘impressão digital’ identifica diferentes bactérias em segundos – ScienceDaily

Must read


A identificação bacteriana pode levar horas e, muitas vezes, mais tempo, um tempo precioso ao diagnosticar infecções e selecionar os tratamentos adequados. Pode haver um processo mais rápido e preciso de acordo com pesquisadores do KAIST. Ao ensinar um algoritmo de aprendizado profundo para identificar os espectros de “impressão digital” dos componentes moleculares de várias bactérias, os pesquisadores puderam classificar várias bactérias em diferentes meios com precisão de até 98%.

Seus resultados foram disponibilizados online em 18 de janeiro em Biossensores e Bioeletrônicaantes da publicação na edição de abril da revista.

Doenças induzidas por bactérias, aquelas causadas por infecção bacteriana direta ou por exposição a toxinas bacterianas, podem induzir sintomas dolorosos e até levar à morte, portanto, a detecção rápida de bactérias é crucial para evitar a ingestão de alimentos contaminados e diagnosticar infecções a partir de amostras clínicas , como urina. “Ao usar a análise de espectroscopia Raman aprimorada de superfície (SERS) aprimorada com um modelo de aprendizado profundo recém-proposto, demonstramos uma rota marcadamente simples, rápida e eficaz para classificar os sinais de duas bactérias comuns e seus meios residentes sem nenhum procedimento de separação”, disse o professor Sungho Jo da Escola de Computação.

A espectroscopia Raman envia luz através de uma amostra para ver como ela se espalha. Os resultados revelam informações estruturais sobre a amostra – a impressão digital espectral – permitindo que os pesquisadores identifiquem suas moléculas. A versão com superfície aprimorada coloca células de amostra em nanoestruturas de metais nobres que ajudam a amplificar os sinais da amostra.

No entanto, é um desafio obter espectros de bactérias consistentes e claros devido a inúmeras fontes de pico sobrepostas, como proteínas nas paredes celulares. “Além disso, os sinais fortes da mídia circundante também são aprimorados para sobrecarregar os sinais do alvo, exigindo etapas de separação bacteriana demoradas e tediosas”, disse o professor Yeon Sik Jung, do Departamento de Ciência e Engenharia de Materiais.

Para analisar os sinais ruidosos, os pesquisadores implementaram um método de inteligência artificial chamado deep learning que pode extrair hierarquicamente certos recursos das informações espectrais para classificar os dados. Eles projetaram especificamente seu modelo, denominado rede de kernel amplo de ramificação dupla (DualWKNet), para aprender com eficiência a correlação entre os recursos espectrais. Essa capacidade é fundamental para analisar dados espectrais unidimensionais, de acordo com o professor Jo.

“Apesar de haver interferência de sinais ou ruído da mídia, que fazem com que as formas gerais de diferentes espectros bacterianos e seus sinais de mídia residentes pareçam semelhantes, foram alcançadas altas precisões de classificação de tipos bacterianos e seus meios”, disse o professor Jo, explicando que o DualWKNet permitiu a equipe para identificar os principais picos em cada classe que eram quase indiscerníveis em espectros individuais, aumentando a precisão da classificação. “Em última análise, com o uso do DualWKNet substituindo as etapas de separação de bactérias e mídia, nosso método reduz drasticamente o tempo de análise.”

Os pesquisadores planejam usar sua plataforma para estudar mais bactérias e tipos de mídia, usando as informações para construir uma biblioteca de dados de treinamento de vários tipos de bactérias em mídia adicional para reduzir os tempos de coleta e detecção de novas amostras.

“Desenvolvemos uma plataforma universal significativa para detecção rápida de bactérias com a colaboração entre o SERS e o aprendizado profundo”, disse o professor Jo. “Esperamos estender o uso de nossa plataforma de análise SERS baseada em aprendizado profundo para detectar vários tipos de bactérias em mídias adicionais que são importantes para alimentos ou análises clínicas, como sangue”.

O Programa Nacional de P&D, por meio de uma bolsa da Fundação Nacional de Pesquisa da Coréia, financiada pelo Ministério da Ciência e TIC, apoiou esta pesquisa.



Fonte original deste artigo

- Advertisement -spot_img

More articles

DEIXE UMA RESPOSTA

Please enter your comment!
Please enter your name here

- Advertisement -spot_img

Latest article