机器学习辅助识别抗生素耐药性黄金葡萄球菌菌株,使用纸质的比度传感器阵列

科学领域:

• 生物医学工程 生物医学工程
• 微生物学 微生物学
• 分析化学 分析化学

背景情况:

• 黄金葡萄球菌 (Staphylococcus aureus) 是一个重要的人类病原体,导致各种感染,并由于抗生素耐药性和生物膜形成而带来挑战.
• 目前用于识别抗菌素耐药性 (AMR) 黄金菌株 (如MRSA和VISA) 的现有方法往往耗时且昂贵.
• 之前的工作开发了一种基于纸张的传感器阵列,使用光染料和机器学习用于细菌物种和Gram状态识别.

研究的目的:

• 为了评估基于纸张的比度传感器阵列的能力,以区分抗生素耐药的金黄色葡萄球菌菌株及其生物膜.
• 为了评估传感器阵列的性能与机器学习算法一起用于准确和快速识别AMR的S. aureus.

主要方法:

• 使用纸质传感器阵列,在纸质微区板上预先吸附光传感器染料 (3-基黄衍生物).
• 采用机器学习算法,包括线性差别分析 (LDA),神经网络和支持向量机器 (SVM).
• 测试了传感器阵列的甲素抗性黄金色杆菌 (MRSA),甲素敏感的黄金色杆菌 (MSSA) 和菌素中间的黄金色杆菌 (VISA) 菌株,包括它们的生物膜.

主要成果:

• 传感器阵列使用LDA和神经网络将MRSA与MSSA菌株区分开来,准确度为82.5%.
• 支持矢量机在分类MRSA,MSSA和VISA临床分离物中实现了97.5%的准确性.
• 传感器阵列成功地区分了AMR S. aureus生物膜,准确度超过80%.

结论:

• 基于纸质的传感器阵列显示出作为一种强大的诊断工具的巨大潜力,用于识别耐药黄金色杆菌.
• 该技术可以在临床环境中准确,快速和轻松地识别AMR S. aureus菌株和生物膜.
• 这种方法可以克服当前耗时和昂贵的诊断方法的局限性.