使用回归模型和整个细胞生物传感器在烂的玉米和花生中预测阿弗拉托克辛B生产的新方法

科学领域:

• 微生物学 微生物学
• 生物传感技术的技术
• 计算生物学 计算生物学

背景情况:

• 由于阿斯伯吉勒斯黄菌的污染,导致玉米和花生等作物在收获后遭受重大损失,原因是阿弗拉托克辛B1 (AFB1).
• 对AFB1的敏感,可扩展和早期检测方法对于食品安全和农业经济至关重要.
• 现有的检测方法往往缺乏全面监测所需的灵敏度,可扩展性或机械解释性.

研究的目的:

• 开发一种全细胞生物传感器阵列,用于敏感且可扩展的 aflatoxin B1 (AFB1) 检测.
• 将转录组引导的促进器与机器学习相结合,用于对真菌感染阶段和AFB1水平的定量预测.
• 建立一个具有成本效益的,非侵入性的平台,用于实时评估农业生态系统中的亚拉托克辛风险.

主要方法:

• 开发了一种生物传感器阵列,使用八种感染诱导的促进物,这些诱导物是从大肠杆菌对挥发性有机化合物的转录基因反应中鉴定出来的.
• 在藻酸盐中固定生物传递器,并利用时间解析的生物发光信号.
• 使用集群机器学习回归器 (XGBoost,CatBoost,RandomForest) 进行定量预测和特征重要性分析.

主要成果:

• 转录组引导的生物传感器阵列,特别是使用XGBoost,在玉米和花生中显示出高预测准确性 (R2>0.91) 对于感染阶段和AFB1量化.
• 新型生物传感器的性能优于以前使用一般应激响应促进器的设计,特别是在外部验证方面.
• 特性重要性分析确定了宿主转录调节和生物膜形成作为关键预测指标,提供了机理性的见解.

结论:

• 开发的生物传感平台为实时亚毒素风险评估提供了具有生物知识的,非侵入性和成本效益的解决方案.
• 这种方法将转录组数据与集体学习相结合,以实现稳健可扩展的食品安全监测.
• 这些发现为各种农业生态系统提供了多功能工具,提高了农产品的安全性,减少了经济损失.