Técnica de aprendizaje automático de 'huella digital' identifica diferentes bacterias en segundos

Una combinación sinérgica de espectroscopia Raman mejorada en superficie y aprendizaje profundo sirve como una plataforma eficaz para la detección de bacterias sin separación en medios arbitrarios.

Investigadores del Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST, Daejeon, Corea) han demostrado un proceso más rápido y preciso para la identificación bacteriana que puede llevar horas y, a menudo, más tiempo, a pesar de que el tiempo es valioso para diagnosticar infecciones y seleccionar los tratamientos adecuados. Al enseñar un algoritmo de aprendizaje profundo para identificar los espectros de "huellas dactilares" de los componentes moleculares de varias bacterias, los investigadores pudieron clasificar varias bacterias en diferentes medios con una precisión de hasta el 98 %.


Las enfermedades inducidas por bacterias, aquellas causadas por infección bacteriana directa o por exposición a toxinas bacterianas, pueden inducir síntomas dolorosos e incluso provocar la muerte, por lo que la detección rápida de bacterias es crucial para prevenir la ingesta de alimentos contaminados y diagnosticar infecciones a partir de muestras clínicas, como la orina. La espectroscopia Raman envía luz a través de una muestra para ver cómo se dispersa. Los resultados revelan información estructural sobre la muestra, la huella digital espectral, que permite a los investigadores identificar sus moléculas. La espectroscopia Raman mejorada en superficie (SERS) coloca células de muestra en nanoestructuras de metales nobles que ayudan a amplificar las señales de la muestra.

Sin embargo, es un desafío obtener espectros consistentes y claros de bacterias debido a numerosas fuentes de picos superpuestas, como las proteínas en las paredes celulares. Para analizar las señales ruidosas, los investigadores implementaron un método de inteligencia artificial llamado aprendizaje profundo que puede extraer jerárquicamente ciertas características de la información espectral para clasificar los datos. Diseñaron específicamente su modelo, llamado red de núcleo amplio de doble rama (DualWKNet), para aprender de manera eficiente la correlación entre las características espectrales. Según los investigadores, tal capacidad es fundamental para analizar datos espectrales unidimensionales. Los investigadores ahora planean usar su plataforma para estudiar más bacterias y tipos de medios, utilizando la información para construir una biblioteca de datos de entrenamiento de varios tipos de bacterias en medios adicionales para reducir los tiempos de recolección y detección de nuevas muestras.

“Desarrollamos una plataforma universal significativa para la detección rápida de bacterias con la colaboración entre SERS y el aprendizaje profundo”, dijo el profesor Sungho Jo de la Escuela de Informática. “Esperamos extender el uso de nuestra plataforma de análisis SERS basada en aprendizaje profundo para detectar numerosos tipos de bacterias en medios adicionales que son importantes para alimentos o análisis clínicos, como la sangre”.

Enlace relacionado:
KAIST