Dyb læring muliggør tidlig påvisning og klassificering af levende bakterier ved hjælp af holografi

Vandbårne sygdomme påvirker mere end 2 milliarder mennesker verden over, forårsager en betydelig økonomisk byrde. For eksempel, behandlingen af ​​vandbårne sygdomme koster mere end 2 milliarder dollars årligt alene i USA, med 90 millioner registrerede sager om året. Blandt vandbårne patogen-relaterede problemer, en af ​​de mest almindelige folkesundhedsproblemer er tilstedeværelsen af ​​totale coliforme bakterier og Escherichia coli ( E coli ) i drikkevand, hvilket indikerer fækal forurening. Traditionelle kulturbaserede bakteriedetektionsmetoder tager ofte 24-48 timer, efterfulgt af visuel inspektion og kolonitælling af en ekspert, i henhold til retningslinjerne fra United States Environmental Protection Agency (EPA). Alternativt molekylære detektionsmetoder baseret på, for eksempel, amplifikation af nukleinsyrer, kan reducere registreringstiden til et par timer, men de mangler generelt følsomheden til at påvise bakterier i meget lave koncentrationer, og er ikke i stand til at skelne mellem levende og døde mikroorganismer. Desuden, der er ingen EPA-godkendt nukleinsyrebaseret metode til påvisning af coliforme bakterier i vandprøver.

Derfor, der er et presserende behov for en automatiseret metode, der kan opnå hurtig og high-throughput bakteriekolonidetektion med høj følsomhed for at give et kraftfuldt alternativ til de nuværende tilgængelige EPA-godkendte guldstandardmetoder, der tager mindst 24 timer og kræver en ekspert til kolonioptælling.

I et nyt blad udgivet i Lys:Videnskab og applikationer , et hold af videnskabsmænd, ledet af professor Aydogan Ozcan fra Electrical and Computer Engineering Department ved University of California, Los Angeles (UCLA), OS., og kolleger har udviklet et AI-drevet smart billeddannelsessystem til tidlig påvisning og klassificering af levende bakterier i vandprøver. Baseret på holografi, de designede et meget følsomt og high-throughput billedbehandlingssystem, som kontinuerligt fanger mikroskopiske billeder af en hel kulturplade, hvor bakterier vokser, til hurtigt at detektere kolonivækst ved at analysere disse time-lapse billeder med et dybt neuralt netværk. Efter påvisning af hver kolonivækst, et andet neuralt netværk bruges til at klassificere typen af ​​bakterier.

Effektiviteten af ​​denne unikke platform blev demonstreret ved at udføre tidlig påvisning og klassificering af tre typer bakterier, dvs. E coli , Klebsiella aerogenes ( K. aerogenes ), og Klebsiella pneumoniae ( K. pneumoniae ), og UCLA-forskerne opnåede en detektionsgrænse på 1 kolonidannende bakterie pr. 1 liter vandprøve under 9 timers total testtid, demonstrerer en tidsbesparelse på mere end 12 timer for bakteriedetektion sammenlignet med guldstandard EPA-metoder. Disse resultater fremhæver det transformative potentiale af denne AI-drevne holografiske billeddannelsesplatform, som ikke kun muliggør højsensitive, hurtig og omkostningseffektiv påvisning af levende bakterier, men giver også et kraftfuldt og alsidigt værktøj til mikrobiologisk forskning.