Identificação precisa e rápida de fenótipos de bactérias minimamente preparadas usando espectroscopia Raman assistida por aprendizado de máquina

Scientific Reports volume 12, Número do artigo: 16436 (2022) Citar este artigo

1997 Acessos

4 Citações

4 Altmétrica

Detalhes das métricas

O aumento mundial da resistência antimicrobiana (RAM) é uma séria ameaça à saúde humana. Para evitar a disseminação da RAM, ferramentas de diagnóstico rápidas e confiáveis ​​que facilitem a administração ideal de antibióticos são uma necessidade não atendida. A esse respeito, a espectroscopia Raman promete uma identificação rápida e sem cultura e teste de suscetibilidade antimicrobiana (AST) em uma única etapa. No entanto, embora muitos estudos de identificação de bactérias e AST baseados em Raman tenham demonstrado resultados impressionantes, algumas deficiências devem ser abordadas. Para preencher a lacuna entre estudos de prova de conceito e aplicação clínica, desenvolvemos técnicas de aprendizado de máquina em combinação com um novo algoritmo de aumento de dados, para identificação rápida de fenótipos de bactérias minimamente preparadas e as distinções de resistentes à meticilina (MR) de bactérias sensíveis à meticilina (MS). Para isso, implementamos um modelo de transformador espectral para imagens Raman hiperespectrais de bactérias. Mostramos que nosso modelo supera os modelos de rede neural convolucional padrão em uma infinidade de problemas de classificação, tanto em termos de precisão quanto em termos de tempo de treinamento. Atingimos mais de 96% de precisão de classificação em um conjunto de dados composto por 15 classes diferentes e 95,6% de precisão de classificação para seis espécies de bactérias MR-MS. Mais importante, nossos resultados são obtidos usando apenas treinamento rápido e fácil de produzir e dados de teste.

Visão geral do hardware (microscópio Raman) e do software (arquitetura do transformador espectral). (a) A preparação de amostras simples de bactérias, onde as bactérias das placas de ágar são simplesmente transferidas diretamente para as lâminas objetivas CaF\(_2\) e então medidas. O processo de transferência e localização da bactéria leva menos de um minuto. (b) Esquema do microscópio Raman construído em casa. O microscópio Raman usa um comprimento de onda de excitação de 785 nm, uma vez que foi considerado ideal para identificar bactérias, pois evita amplamente a fluorescência e ainda fornece um sinal Raman suficientemente alto para permitir a detecção por um CCD em um sinal razoável para relação de ruído (SNR). Uma objetiva de microscópio de 100× (MO) é usada para focalizar o laser de excitação (tamanho do ponto \(\sim \) 1 \(\upmu \)m), coleta da luz espalhada Raman e imagem visual. A varredura raster é obtida com um estágio XYZ automatizado. Um espelho dicróico (DM) (alta passagem 750 nm) é usado para acoplar a luz de iluminação visível a um CCD para imagens e localização de bactérias, enquanto outro DM (alta passagem 805 nm) separa a luz Raman espalhada da bomba. Um filtro passa-alta adicional (HPF, 800 nm) e um filtro passa-banda (BPF, 785 nm ± 10 nm) são usados ​​para filtrar a bomba de 785 nm. O microscópio embutido tem um campo de visão de aproximadamente 60 \(\upmu \)m \(\times \) 60 \(\upmu \)m, e os espectros Raman são coletados em uma mudança de número de onda de 700-1600 cm\(^{-1}\) por um espectrômetro Horiba. (c) O diagrama de blocos da ferramenta de aprendizado de máquina desenvolvida. O transformador espectral (ST) consiste em uma camada de incorporação posicional opcional, seguida por uma camada de abandono. A próxima camada é um bloco transformador-codificador que contém sequencialmente normalização de camada, atenção multihead, normalização de camada e, em seguida, um perceptron multicamada (MLP) com uma não linearidade GELU. A saída do codificador do transformador é seguida pela normalização da camada e uma camada de agrupamento de sequência. Finalmente, a camada de saída é uma camada linear totalmente conectada.

Enquanto algumas crises de saúde, como a pandemia de corona, são imprevisíveis e requerem medidas imediatas, outras são de desenvolvimento lento, intratáveis ​​por natureza, mas podem com o tempo se tornar uma ameaça maior à saúde humana1,2. Um exemplo desta última é a resistência antimicrobiana (RAM)3,4,5,6. A AMR ocorre quando micróbios, como bactérias e fungos, sobrevivem à exposição a compostos que normalmente inibiriam seu crescimento ou os matariam. Isso impulsiona um processo de seleção, permitindo que cepas com resiliência cresçam e se espalhem. Embora a RAM seja um processo natural, ela é dramaticamente acelerada por pressões seletivas, como o uso excessivo de antimicrobianos7,8,9,10,11. As técnicas convencionais utilizadas para identificação de RAM em bactérias são teste de difusão em disco, teste de epsilômetro e microdiluição, que requerem cultura e podem levar dias12,13. O longo tempo de processamento dessas técnicas pode ser fatal para o paciente infectado, mas também é problemático, pois a bactéria patogênica pode se espalhar e infectar mais pessoas. Portanto, é prática comum prescrever antibióticos de amplo espectro aos pacientes, o que leva a tratamentos desnecessários14. Assim, a inadequação já disseminada e crescente da terapia antimicrobiana é atribuída ao uso excessivo de antimicrobianos na saúde e na agricultura5,8,15. Em 2019, a Organização Mundial da Saúde (OMS) declarou a RAM como "uma das 10 maiores ameaças globais à saúde pública que a humanidade enfrenta" e, de acordo com um relatório divulgado pelo Grupo ad hoc de coordenação interinstitucional da ONU sobre resistência antimicrobiana (IACG), se nenhuma ação for tomada é tomada, patógenos resistentes a antimicrobianos podem causar anualmente 10 milhões de mortes até 20502.