使用机器学习和拉曼光谱法快速,无抗生素化确定结核病耐药性

科学领域:

• 生物医学工程 生物医学工程
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 结核病 (TB) 仍然是主要的传染病杀手,缓慢的诊断方法阻碍了治疗和耐药性管理.
• 目前基于培养的方法来识别Mycobacterium结核病 (Mtb) 和其抗生素敏感性是耗时的 (大约. 40天) 的时间.
• 快速诊断对于有效的患者护理和控制抗菌素耐药性的传播至关重要.

研究的目的:

• 开发一种快速,无培养和无抗生素化的结核病药物敏感性测试.
• 利用拉曼光谱和机器学习进行准确的Mtb识别和电阻分析.
• 为在资源有限的环境中创建一个低成本的便携式结核病诊断系统.

主要方法:

• 从超过25,000个Bacillus Calmette-Guérin (BCG) 细胞 (耐药和敏感菌株) 中收集了少数到单细胞的拉曼光谱.
• 在光谱数据上训练了一个神经网络,以分类抗生素耐药性概况.
• 开发了一个特征识别算法,以确保生物相关的光谱特征利用.
• 设计并测试了一种廉价的便携式拉曼显微镜 (低于5000美元).

主要成果:

• 在干燥样本上,对抗性与敏感性BCG菌株的分类精度达到了>98%.
• 直接从患者唾液样本中获得的Mtb耐药性概况的平均分类准确度达到了79%.
• 验证了机器学习模型对生物相关光谱特征的依赖.
• 证明了便携式拉曼显微镜的可行性,用于结合显微镜和光谱.

结论:

• 开发的拉曼光谱和机器学习方法为结核病药物敏感性测试提供了快速,无培养的方法.
• 这项技术显示出准确,单细胞水平诊断的前景,即使在资源有限的环境中也是如此.
• 这种低成本的便携式仪器有助于部署并改善结核病管理策略.