利用拉曼光谱和深度学习快速鉴定致病菌

拉曼光谱具有鉴定细菌种类和抗生素耐药性的潜力，当与共聚焦光谱相结合时，可以询问单个细菌细胞。不同的细菌表型具有独特的分子组成特征。导致它们对应的拉曼光谱存在细微差异。然而，由于拉曼散射效率低（^-10-8散射概率），这些细微的光谱差异很容易被背景噪声掩盖。因此需要高信噪比（SNRs）来达到较高的识别精度，通常需要较长的测量时间，这就禁止了高通量单细胞技术。此外，大量临床相关的物种、菌株和抗生素耐药模式需要全面的数据集，而这些数据集并没有在专注于区分物种，分离株(通常称为文献中的菌株)或抗生素敏感性的研究中收集到。在这项工作中，研究人员们通过训练卷积神经网络（CNN）来通过分离物、经验性治疗和抗生素耐药性对嘈杂的细菌光谱进行分类，从而解决了这一挑战。

基于拉曼光谱的细菌分类深度学习  

研究人员们在30类隔离物识别任务上训练神经网络，其中CNN输出30个参考隔离物的概率分布，并将最大值作为预测的类别。该模型在参考数据集上进行训练，并在从单独培养的样本中收集的独立测试数据集上进行测试。研究人员们展示了1秒测量时间的数据---大约比典型报道的细菌光谱低一个数量级，分类精度随着 SNR 的增加而增加。在30类任务中，平均隔离水平准确率为82.2% (±计算为跨5个训练和验证分裂的标准差)。革兰氏阴性菌主要被误认为是其他革兰氏阴性菌。另外，大多数错误分类发生在同一属内。相比之下，研究人员们对更常见的逻辑回归和支持向量机（SVM）分类技术的实现分别达到了75.7%和749%的准确率。

经验性治疗和抗生素耐药性的鉴定

如图中的受试者工作特征（ROC）曲线所示。曲线下面积（AUC）为0.953，这意味着随机选择的阳性例子（与随机选择的阴性样本（即来自MSSA患者的样本））相比，预测来自MRSA患者的拉曼样本更有可能是MRSA，概率为0.953。

图1. 二元MRSA/MSSA分类器^[1]

结论

在环境监测、食品安全和临床诊断中的广泛应用前景。本研究使用的测量时间为1s，对应于比典型报道的细菌光谱低一个数量级的信噪比——同时与典型的卡曼细菌鉴定研究相比，在更多的分离类上仍然实现了相当或更高的鉴定精度。减少测量时间的一种常用策略是使用等离子体结构的表面增强拉曼散射，它可以将信号强度提高几个数量级。SERS光谱变化很大，难以重现，特别是在细胞样品上。使其难以发展可靠的诊断方法基于SERS。然而，通过捕获 SERS 光谱变化宽度的数据集，CNN可以在几个小时内建立一个处理血液、痰或尿液样本的平台。

参考文献：

[1] Ho C S, Jean N, Hogan C A, et al. Rapid identification of pathogenic bacteria using Raman spectroscopy and deep learning[J]. Nature communications, 2019, 10(1): 1-8.