通过表面增强的拉曼光谱学和XGBoost算法识别Fusarium sambucinum物种复合物
Elem T S Caramês1, Venancio F de Moraes-Neto2, Bruno G Bertozzi2
1Department of Microbiology, Institute of Biomedical Sciences, University of São Paulo, 05508-900 São Paulo, Brazil.
Food chemistry
|March 21, 2025
概括
表面增强的拉曼光谱 (SERS) 与XGBoost机器学习相结合,可以准确识别Fusarium真菌物种. 这种快速方法为传统的,耗时的真菌识别技术提供了一个有希望的替代方案.
科学领域:
- 菌类学 菌类学是指菌类学.
- 频谱学是一种光谱学.
- 生物技术是生物技术.
背景情况:
- 由于它们对食品安全和潜在毒性的影响,精确识别Fusarium真菌至关重要.
- 传统的真菌识别方法往往很慢,需要大量的资源.
- 开发用于真菌病原体的快速和可靠的诊断工具是关键的研究领域.
研究的目的:
- 评估表面增强拉曼光谱法 (SERS) 在Fusarium sambucinum综合体内识别物种的有效性.
- 开发和验证基于SERS数据的机器学习模型来对真菌物种进行分类.
- 探索基于SERS的真菌歧视的化学基础.
主要方法:
- 从大麦中分离的60个Fusarium真菌样本中获取SERS光谱.
- 采用金纳米颗粒用于增强拉曼信号检测.
- 应用XGBoost算法用于光谱数据分类.
主要成果:
- 该SERS-XGBoost方法实现了完美的分类性能:100%的精度,回忆,准确性和F1-score.
- 确定了与真菌化学成分 (,代谢物,蛋白质) 相关的关键光谱特征.
- 该模型表明,在研究的四种类动物 (Fusarium) 之间存在强烈的歧视.
结论:
- 与XGBoost相结合的SERS提供了一种非常准确和快速的方法来识别Fusarium物种.
- 这种方法比传统的劳动密集型真菌鉴定技术有了显著的进步.
- 该SERS-XGBoost方法表明在微生物识别和诊断中具有广泛应用的潜力.


