摘要
拉曼光谱 (RS) 是一种广泛使用的分析技术,它基于对定义系统中分子振动的检测,可生成包含系统独特且高分辨率指纹的拉曼光谱。然而,法向拉曼散射效应的低强度极大地阻碍了其应用。最近,新出现的表面增强拉曼光谱 (SERS) 技术通过将金和银等金属纳米粒子与样品混合来克服这个问题,与常规 RS 相比,拉曼效应的信号强度大大增强了几个数量级。在临床和研究实验室中,SERS 在适当的机器学习算法的帮助下为快速、灵敏、无标记和无损微生物检测和识别提供了巨大的潜力。然而,为特定的细菌种类选择合适的算法仍然具有挑战性,因为在 SERS 分析过程中生成大量数据,并非所有算法都能达到相对较高的准确度。在本研究中,我们分别在 9 种临床重要葡萄球菌属的 117 株葡萄球菌的 2752 个 SERS 光谱上比较了 3 种无监督机器学习方法和 10 种监督机器学习方法,以测试不同机器学习方法对细菌快速分化的能力和准确的预测。根据结果,DBSCAN 显示出最佳的聚类能力(Rand 指数 0.9733),而卷积神经网络(CNN)在所有其他监督机器学习方法中名列前茅,成为通过 SERS 光谱预测葡萄球菌种类的最佳模型(ACC 98.21%,AUC 99.93%) .总之,这项研究表明机器学习方法能够区分密切相关的葡萄球菌属物种,因此在临床环境中细菌病原体诊断方面具有巨大的应用潜力。


论文官方网址请点击下方链接:
临床葡萄球菌表面增强拉曼光谱的机器学习算法对比分析Front. Microbiol. | doi: 10.3389/fmicb.2021.696921