在受感染的伤口中识别微生物的正电荷选择性传感器阵列和深度学习算法

科学领域:

• 微生物学 微生物学
• 生物化学 生物化学
• 材料科学 材料科学 材料科学

背景情况:

• 微生物对人类健康和疾病至关重要.
• 准确和快速识别病原体对于感染诊断至关重要.
• 现有的微生物识别方法可能耗时或缺乏特异性.

研究的目的:

• 开发一种新的光传感器阵列,用于快速准确地识别微生物.
• 研究合成的四乙烯衍生物与微生物细胞组件之间的相互作用机制.
• 利用深度学习模型对各种微生物及其混合物进行分类.

主要方法:

• 三种四乙烯衍生物 (S-TDs) 的合成,具有不同的特性.
• 创建一个光传感器阵列,利用S-TD进行微生物成像.
• 计算S-TD和微生物细胞壁组成部分之间的结合能.
• 应用深度学习残余网络 (ResNet) 模型用于图像分析和分类.

主要成果:

• 该S-TDs传感器阵列通过不同的光信号成功成像了各种微生物.
• 具有约束力的能量计算阐明了S-TDs和微生物细胞组件之间的相互作用机制.
• 光传感器阵列与ResNet相结合,在区分格拉姆阴性细菌,格拉姆阳性细菌和真菌方面取得了很高的准确性.
• 精度超过92.8%的格拉姆物种和抗生素耐药物种,和90.35%的混合微生物检测在受感染的伤口.

结论:

• 使用光传感器阵列和深度学习开发了一种新的,快速和准确的微生物分类方法.
• 这种方法在改善传染病的诊断和治疗方面具有显著的潜力.
• 这项研究证明了定制光探针和AI在微生物诊断中的实用性.