相关实验视频
Updated: Jun 21, 2026

Biosensor for Detection of Antibiotic Resistant Staphylococcus Bacteria
Published on: May 8, 2013
SERS-ATB:用于抗生素SERS光谱可视化和深度学习识别的全面数据库服务器
Quan Yuan1, Jia-Wei Tang2, Jie Chen3
1School of Medical Informatics and Engineering, Xuzhou Medical University, Xuzhou, Jiangsu Province, China; Department of Laboratory Medicine, Shengli Oilfield Central Hospital, Dongying, Shandong Province, China.
为了打击抗生素污染,创建了一个新的数据库,包含200种抗生素的12800种表面增强拉曼光谱 (SERS) 光谱. 一个卷积神经网络 (CNN) 模型实现了98.94%的识别准确度,有助于环境监测.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 水源中的抗生素污染是一个日益严重的环境和健康问题.
- 抗生素耐药性的传播因环境污染而加剧.
- 表面增强拉曼光谱 (SERS) 提供敏感的抗生素识别,但缺乏全面的光谱数据库.
研究的目的:
- 使用SERS开发一个大规模的,开放的抗生素光谱数据库.
- 从SERS数据建立可靠的机器学习模型,用于从SERS数据中识别抗生素.
- 促进对抗生素污染的环境监测和管理.
主要方法:
- 对200种环境相关的抗生素进行了12800个SERS光谱的系统收集.
- 开发一个基于Web的,开放式访问的SERS光谱数据库.
- 机器学习算法的比较和验证,包括卷积神经网络 (CNN),用于光谱识别.
主要成果:
- 为200种抗生素建立了一个开放的SERS光谱数据库 (http://sers.test.bniu.net/).
- 一个CNN模型在数据库中识别抗生素时达到98.94%的准确性.
- 对CNN模型的外部验证显示了82.8%的准确性,证明了它的实际实用性.
结论:
- SERS光谱数据库和CNN模型为环境抗生素检测提供了一个新的,可扩展的资源.
- 该资源增强了SERS在环境监测计划中的整合.
- 这项研究支持改善抗生素污染管理和缓解抗生素耐药性的研究.
更多相关视频
09:29Using the Open-Source MALDI TOF-MS IDBac Pipeline for Analysis of Microbial Protein and Specialized Metabolite Data
Published on: May 15, 2019
09:59Application of the Intelligent High-Throughput Antimicrobial Sensitivity Testing/Phage Screening System and Lar Index of Antimicrobial Resistance
Published on: July 21, 2023
相关概念视频
Rapid Identification of Pathogens
Automated Microbial Diagnostics