使用MALDI-TOF MS结合长期短期记忆神经网络来识别大肠杆菌菌株
Qiqi Mao1, Xie Zhang2, Zeping Xu2
1Department of General Surgery, Li Huili Hospital Affiliated to Ningbo University, Ningbo 315040, China.
Aging
|July 1, 2024
概括
这项研究引入了一种新的方法,将矩阵辅助激光吸附离子化飞行时间质谱 (MALDI-TOF MS) 与长短期记忆 (LSTM) 神经网络相结合,用于精确的大肠杆菌菌株识别. 综合方法显著提高了比传统方法的准确性.
科学领域:
- 微生物学 微生物学
- 计算生物学 计算生物学
- 分析化学 分析化学
背景情况:
- 准确识别细菌菌株对于诊断和研究至关重要.
- 传统的微生物识别方法,包括MALDI-TOF MS,往往难以在菌株层面进行歧视.
- 机器学习为增强现有技术的分析能力提供了潜力.
研究的目的:
- 开发和评估一种用于精确识别大肠杆菌菌株的新技术.
- 整合矩阵辅助激光吸附离子化飞行时间质谱 (MALDI-TOF MS) 与长短期记忆 (LSTM) 神经网络.
- 与传统方法相比,评估这种结合方法在菌株级别识别方面的有效性.
主要方法:
- 从48个大肠杆菌菌株中生成了38400个MALDI-TOF MS光谱的综合数据库.
- 使用了50%的光谱数据来训练精心调整的LSTM神经网络以识别菌株.
- 在独立测试集上评估模型性能,将结果与传统主要组件分析 (PCA) 进行比较.
主要成果:
- 传统的PCA未能将48种菌株中的47种分类.
- 在训练过程中,LSTM神经网络实现了高性能 (损失:0.0524,准确度:0.999,精度:0.985,回忆:0.982).
- 该模型在未见测试数据上显示出92.24%的强大整体准确性.
结论:
- MALDI-TOF MS与LSTM神经网络的整合显著提高了大肠杆菌菌株的识别.
- 这种创新方法为基于MALDI-TOF MS的菌株水平识别提供了有效和准确的工具.
- 这项研究扩大了微生物诊断的分析能力,为精确的细菌菌株分化提供了一种强大的方法.


