一种机器学习方法用于快速早期检测Campylobacter spp. 使用从丰富培养中收集的吸收光谱
Kefeng Zhang1, Christelle Schang2, Rebekah Henry2,3
1Water Research Centre (WRC), School of Civil and Environmental Engineering, UNSW Sydney, Sydney, New South Wales, Australia.
PloS one
|September 6, 2024
概括
一种新的方法,MPN-Spectro-ML,使用光谱测量和机器学习来快速检测水中的Campylobacter. 与传统方法相比,这种方法提供了更快的公共卫生风险评估.
科学领域:
- 环境微生物学环境微生物学
- 分析化学是一种分析化学.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 由于度较低,造成健康风险,在环境水中计算坎皮洛巴克特是具有挑战性的.
- 传统的方法,如培养或qPCR最可能数 (MPN-PCR) 是费力和耗时的.
研究的目的:
- 开发和验证一种快速方法,MPN-Spectro-ML,用于在环境水样中检测和定量Campylobacter.
- 评估训练在光谱光度数据上用于病原体检测的机器学习模型的性能.
主要方法:
- 丰富后对水样进行光谱光度分析.
- 在光谱数据上训练机器学习模型 (SVM,LR,RF),以预测坎皮洛巴克特存在并估计MPN.
- 将MPN-Spectro-ML与使用100多个环境水样的标准MPN-PCR方法进行比较.
主要成果:
- 在阳性坎皮洛巴克特样本中发现了明显的吸收峰值 (540-542nm,575-576nm).
- 机器学习模型实现了0.763的平均预测准确度,误差率为13.8%.
- 来自MPN-Spectro-ML的预测MPN值显示了与MPN-PCR可比的结果,尽管存在差异.
结论:
- 通过MPN-Spectro-ML方法,可以快速初步检测环境水中的Campylobacter.
- 这种新的方法可以大大缩短风险检测和管理的时间,有利于公共卫生.
- 光谱光度与机器学习相结合,为水borne病原体监测提供了一个有希望的替代方案.
更多相关视频
08:23Culture Methods to Determine the Limit of Detection and Survival in Transport Media of Campylobacter Jejuni in Human Fecal Specimens
Published on: March 10, 2020
11.5K
05:34Author Spotlight: Development of an Enhanced Protocol for Rapid and Accurate Isolation of Campylobacter from Food Products
Published on: February 23, 2024
1.8K
