机器学习用于更好地检测病原体E. 在水培灌水中使用阻隔度感应器:一项比较研究

科学领域:

• 环境微生物学 环境微生物学
• 生物传感器技术技术
• 数据科学数据科学数据科学

背景情况:

• 替代水源对于可持续农业至关重要,但有可能导致产品的细菌污染.
• 精确检测病原体,如Siga-toxin产生大肠杆菌 (STEC),对于管理灌水质量至关重要.
• 现有的生物传感器需要强大的数据分析,以可靠地预测复杂水表中的病原体度.

研究的目的:

• 开发和评估一个统计机器学习 (SML) 框架,用于预测大肠杆菌O157:H7度.
• 评估不同SML模型在复杂矩阵 (如未经处理的表面水) 中的性能.
• 为用于灌水监测的电化学生物传感器提供数据分析方法.

主要方法:

• 采用了一种阻抗电化学感应传感器,使用金色互数字电极.
• 开发了一个统计机器学习框架来分析传感器数据.
• 评估了三类统计模型,以预测大肠杆菌O157:H7度.

主要成果:

• 该SML框架成功预测了未经处理的表面水中的大肠杆菌O157:H7度.
• 优化SML技术将根平均平方误差 (RMSE) 与经典方法相比降低至少20%.
• 开发的框架有助于为特定应用选择最合适的分析方法.

结论:

• SML框架提供了一个强大的工具,用于准确预测灌水中的病原体.
• 这种方法支持快速决策,为使用替代水的安全农业实践提供支持.
• 开源框架可以使研究人员利用电化学生物传感器进行病原体监测.