社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

浙江大学鲜于运雷《ACS Nano》:基于纳米金阵列和机器学习的ESKAPE耐药性检测方法

BioMed科技 • 1 年前 • 635 次点击  

ESKAPE由六种院内感染高度耐药细菌组成,包括Enterococcus faecium(屎肠球菌),Staphylococcus aureus(金黄色葡萄球菌),Klebsiella pneumonia(肺炎克雷伯氏菌),Acinetobacter baumannii(鲍曼不动杆菌),Pseudomonas aeruginosa(铜绿假单胞菌)和Enterobacter species(肠杆菌属细菌)。目前针对细菌耐药性的检测主要包括抗生素敏感性试验和核酸扩增,这些方法通常需要一天以上的检测时间或者复杂的设备仪器,不利于临床急性病症的诊断和治疗。

浙江大学鲜于运雷团队报道了一种基于纳米金阵列和机器学习分析的ESKAPE细菌耐药性检测方法,能够在20分钟内快速准确的预测细菌的抗生素耐药/敏感表型(图1)。研究者设计了一组具有不同表面电荷和亲疏水性的纳米金阵列,纳米金探针通过电荷和亲疏水相互作用与细菌结合并引发其表面等离子体吸收峰移动,产生抗生素耐药/敏感菌株的特征指纹图谱。通过机器学习算法对指纹图谱进行分析,可以鉴定ESKAPE细菌的抗生素耐药表型。通过临床分离菌株进一步验证该方法的抗生素表型预测能力,与抗生素敏感性试验结果相比,该方法能在20分钟完成耐药性鉴定,准确率为89.74%,具有临床应用前景。

图1 基于纳米金阵列和机器学习算法的ESKAPE细菌耐药性检测方法。

研究者首先设计了6种具有不同亲疏水/电荷特性的多肽(P1-P6)。利用多肽的还原性,通过一锅法合成了6种多肽功能化的金纳米颗粒(P1_AuNPs-P6_AuNPs)(图2a,2b),其直径为10-129 nm。通过傅立叶红外光谱和X射线光电子能谱表征了P_AuNPs的表面化学性质(图2c,2d)。

图2 金纳米颗粒的合成和表征。

选择β-内酰胺类抗生素耐药菌株(R)和敏感菌株(S)进行实验(表1)。细菌可以与P_AuNPs通过亲疏水/电荷相互作用等非共价作用力结合,引起P_AuNPs的SPR光谱峰移动。由于耐药菌株表达的β-内酰胺酶会影响细菌表面的亲疏水/电荷特性,使其与P_AuNPs的结合力有别于敏感菌株。通过SPR峰移动大小的差别,可以对细菌的抗生素表型进行区分。

表1 本研究使用的ESKAPE菌株。

β-内酰胺类抗生素耐药菌株和敏感菌株表面亲疏水和电荷性质存在差异(图3a,2b)。细菌能够通过亲疏水/电荷相互作用与P_AuNPs结合(图3c)。与细菌结合后P_AuNPs的表面电势和SPR光谱会发生显著的变化(图3d)。

图3 金纳米颗粒与细菌的相互作用。

细菌SPR光谱的变化可以用于对其抗生素耐药性进行分析。研究者引入并比较了三种机器学习算法进行辅助分析的准确率。利用主成分分析(Principal component analysis,PCA)和层级聚类算法(Hierarchical clustering algorithm,HCA)分析的准确率为81.23%(图4a,4b);利用随机森林(Random forest,RF)算法分析的准确率为77.1%(图4c-4e);利用t分布-随机邻近嵌入(t-Distributed stochastic neighbor embedding,t-SNE)算法和线性判别分析(Linear discriminant analysis,LDA)分析的准确率为89.5%(图4f,4g)。

图4 机器学习辅助抗生素耐药性检测。

对临床细菌样品的抗生素耐药性进行检测,能够将检测时间从12~24小时缩短到20分钟(图5a)。检测的准确率能够达到89.74%(图5b-5d),验证了基于纳米金阵列和机器学习算法的ESKAPE细菌耐药性检测方法具有临床应用潜力。

图5 临床样品的抗生素耐药性检测。

该成果近期发表于《ACS Nano 》,题为“Identification of antibiotic resistance in ESKAPE pathogens through plasmonic nanosensors and machine learning”。本文第一作者为浙江大学博士研究生于婷,通讯作者为浙江大学百人计划研究员鲜于运雷,合作者包括邵逸夫医院检验科付鹰老师和张钧老师。本工作获得了国家重点研发计划项目、国家自然科学基金和浙江省杰出青年科学基金资助。

参考文献

Ting Yu, Ying Fu, Jintao He, Jun Zhang, and Yunlei Xianyu*, “Identification of antibiotic resistance in ESKAPE pathogens through plasmonic nanosensors and machine learning.”

ACS Nano 2023, 17, 4551-4563.

原文链接

https://pubs.acs.org/doi/10.1021/acsnano.2c10584

来源:课题组供稿
声明:仅代表作者个人观点,作者水平有限,如有不科学之处,请在下方留言指正!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/153488
 
635 次点击