表面增强的拉曼光谱和机器学习用于识别细菌等离子体中的β-乳糖抗生素耐药性基因片段

科学领域:

• 生物技术是生物技术.
• 分子生物学分子生物学
• 频谱学是一种光谱学.

背景情况:

• 抗生素耐药性是一个关键的全球健康威胁,特别是在β-乳糖抗生素.
• 快速准确的检测方法对于及时干预和控制耐药性传播至关重要.
• 目前的方法可能缺乏有效监控所需的速度和灵敏度.

研究的目的:

• 开发一种用于敏感和快速检测抗生素耐药性基因片段的新方法.
• 为了利用表面增强的拉曼光谱 (SERS) 和机器学习 (ML) 来进行这种检测.
• 在接近真实世界的条件下使用细菌等离子体验证方法.

主要方法:

• 作为生物样本,使用了具有或没有耐药基因的细菌等离子体.
• 在没有先前净化的情况下进行了等离子体的酶性消化.
• 使用SERS分析捕获的DNA片段,生成用于ML训练和验证的数据库.
• 方法验证包括使用各种耐药性基因和酶的对照实验.

主要成果:

• 通过SERS-ML方法,成功检测出负责抗生素耐药性的特征基因片段.
• 在初始等离子体中,检测的度低至10−7.
• 该方法证明了对复杂的生物样品组成和干扰等离子体的稳定性.

结论:

• SERS-ML提供了一种高度敏感和快速的方法来检测抗生素耐药性基因片段.
• 这种技术为监测抗生素耐药细菌提供了一个简单的,低检测极限的替代方案.
• 这种方法在改善诊断和打击抗生素耐药性方面具有重大前景.