利用微生物合成金纳米粒子和机器学习进行微生物鉴定
原创 发布时间:2023-06-08 浏览次数: 382 来源: 王峥峥

核心提示:基于纳米材料的微生物鉴定方法主要包括基于标记和无标记的策略。基于标记的方法采用适配体或抗体等探针选择性靶向微生物。


  背景:微生物的鉴定对于环境污染、食品安全、临床诊断和疾病治疗至关重要。目前,微生物鉴定的金标准方法是基于表型的培养和基于基因型的核酸检测,虽然该方法具有较高的准确性,但通常很耗时或需要昂贵的设备和熟练的劳动力,限制了这些技术的广泛应用。随着纳米技术的飞速发展,基于纳米材料的方法因其优异的性能和简单的微生物检测而受到广泛关注。纳米材料的独特性质源于电子的空间限制和电磁效应,如表面等离子体共振在很大程度上取决于尺寸、形状、组成、周围介质的介电常数、不同的表面积质量比以及纳米材料的表面改性。因此,人们已经投入了大量精力来开发基于纳米技术的简便工具,用于即时微生物诊断。

  基于纳米材料的微生物鉴定方法主要包括基于标记和无标记的策略。基于标记的方法采用适配体或抗体等探针选择性靶向微生物。然而,与标记策略相比,无标记策略对生物活性分子的灵敏度较低,并且对微生物指纹的非特异性识别较低。为了解决这个问题,微生物无标记鉴定的一种可能策略是将生物活性分子的检测转化为由它们生物合成的纳米材料。微生物可以利用内部的生物分子,如酶、蛋白质、脂质、糖类来精确调控无机离子,产生微小的无机材料。微生物合成的纳米粒子在医学、能源、电子、生物等领域有着广泛的应用,使微生物成为生产无机纳米材料的天然工厂。


  方法:选择不同目、属和物种的细菌和真菌作为合成AuNPs的模式微生物,表征了生物合成AuNP的特征,包括SPR光谱,粒径和表面电位。对应于这些特征,生物合成AuNPs的最大吸收波长,直径和zeta电位作为基于机器学习的分析的输入数据集。采用机器学习方法,包括主成分(PC)分析(PCA),线性判别分析(LDA)和随机森林(RF)算法来深入分析与生物合成AuNP相关的输入数据。分析生成用于可视化和分类的模式化输出。基于基于机器学习的分析输出,构建聚类树和微生物的分类学鉴定。


  Scheme 1. Schematic illustration of microbial taxonomic identification through biosynthetic AuNPs and machine learning.

  结果:基于生物合成AuNP的训练模型允许微生物分类。在108次生物合成AuNPs测量中,约有612次用于模型测试。我们选择了放线菌、原始人链球菌和黄曲霉来测试细菌和真菌模型。检测结果表明,生物分类模型在微生物鉴定方面的准确率较高。放线菌是革兰氏阳性细菌,但在形态上更类似于真菌,具有霉菌状菌丝和孢子。在界水平上,放线菌与细菌或真菌没有重叠,这表明其在微生物分类中具有争议性作用。对于目级分类,S. hominis和A. flavus与细菌和真菌完全重叠。在界和目水平上的模型测试表明准确率为100%,表明其适用于微生物分类。



  Figure 4. Testing of the hierarchical clustering model for microbial taxonomic classification. a) Testing Actinomyces at kingdom level, OOBScore = 0.0. b) Testing S. hominis at kingdom level, OOBScore = 1.0. c) Testing S. hominis at order level, OOBScore = 1.0. d) Testing A. flavus at order level, OOBScore = 1.0. e) Clustering tree based on the Bray-Curtis distance of features from biosynthetic AuNPs. f) Evolution tree based on the similarity of microbial 16S rRNA sequence.

  结论:AuNPs的粒径、SPR谱和表面电位等特征有助于建立不同水平的微生物分类模型,包括界、目、属和种。包括PCA、LDA、RF和Pearson相关性分析在内的机器学习方法可以深入分析微生物生物分子和微生物合成AuNPs的特征。该方法能够以温和环保的方式进行分类学鉴定,准确率为100%,与传统方法(如遗传和形态鉴定)一致。

  参考来源:Yu T, Su S, Hu J, et al. A New Strategy for Microbial Taxonomic Identification through Micro‐Biosynthetic Gold Nanoparticles and Machine Learning[J]. Advanced Materials, 2022, 34(11): 2109365.

网站声明

1、凡本网所有原始/编译文章及图片、图表的版权均属微生物安全与健康网所有,未经授权,禁止转载,如需转载,请联系取得授权后转载。

2、凡本网未注明"信息来源:(微生物安全与健康网)"的信息,均来源于网络,转载的目的在于传递更多的信息,仅供网友学习参考使用并不代表本网同具观点和对具真实性负责,著作权及版权归原作者所有,转載无意侵犯版权,如有侵权,请速来函告知,我们将尽快处理。

3、转载请注明:文章转载自www.mbiosh.com

※联系方式:020-87680942

在线留言
*公司名称:
*联系人:
*电话:
查询类别:
电邮地址:
地址:
问题:

直播视频

在线咨询

联系我们

回到顶部

我要留言