شناسایی باکتریها
شناسایی باکتریها به گزارش شبکه آموزشی و خبری میکرو ارگانیسم ها فرایندی ست که می تواند ساعت ها و یا بیشتر از دانشمندان وقت بگیرد، این درحالی ست که آنها می توانند وقت ارزشمند خود را در راستای شناسایی عفونت ها و برگزیدن راه های درمانی مناسب صرف کنند. با توجه به تحقیقات و مطالعات انجام شده در موسسه علوم و فناوری پیشرفته کره (KAIST) ممکن است راهی سریعتر و با صحت و دقت بیشتری برای این پروسه شناسایی باکتری ها وجود داشته باشد؛ به وسیله آموزش یک الگوریتم یادگیری عمیق به منظور شناسایی طیف “اثر انگشت” اجزای مولکولی باکتری های مختلف، محققان می توانند باکتری های متنوع را در محیط های مختلف با دقت تا 98 درصد طبقه بندی کنند. نتیجه تحقیقات این دانشمندان در ۱۸ ژانویه در Biosensors و Bioelectronics در دسترس قرار گرفت.
اهمیت شناسایی سریع باکتریها
بیماری های ناشی از باکتری ها، آنهایی که در اثر عفونت مستقیم باکتریایی یا قرار گرفتن در معرض سموم باکتریایی ایجاد می شوند، می توانند علائم دردناکی را ایجاد کنند و حتی منجر به مرگ شوند، بنابراین تشخیص سریع باکتری ها برای جلوگیری از مصرف غذاهای آلوده و تشخیص عفونت از نمونه های بالینی مانند ادرار بسیار مهم و قابل توجه است.
طیف بینی رامان (SERS)
پروفسور Sungho Jo از دانشکده محاسبات می گوید: ” تجزیه و تحلیل طیف بینی رامان تقویت یافته ی سطحی (Surface Enhanced Raman Spectroscopy) با نام اختصاری SERS روش بسیار حساسی ست که توانایی آنالیز مولکول های منفرد زیستی را داراست، این مدل یادگیری عمیق جدید یک مسیر کاملاً ساده، سریع و مؤثر برای طبقه بندی سیگنالهای دو باکتری رایج و محیطهای ساکن آنها بدون هیچ گونه روش جداسازی است که ما توانسته ایم آن را بکار بگیریم و این روش طبقه بندی را نشان دهیم. ” این روش راهی بسیار موثر برای شناسایی سریع باکتری ها به منظور رسیدن به اهداف ذکر شده است.
بررسی کامل چگونگی عملکرد روش SERS
در روش طیف بینی رامان، نور به نمونه تابیده می شود تا نحوه پراکنده شدن نور توسط نمونه مورد بررسی قرار بگیرد چرا که چگونگی پراکنده شدن نور- اثر انگشت طیفی – توسط نمونه اطلاعات زیادی را در مورد ساختار نمونه به ما می دهد که به محققان این اجازه را می دهد تا بتوانند ساختار مولکول های نمونه را شناسایی کنند. دلیل اینکه به آن اثر انگشت طیفی گفته می شود این است که هر اتم با توجه به فاکتورهایی از قبیل عدد اتمی و .. واکنش متفاوت و منحصر به فردی به تابش نور نشان می دهد و به طور متفاوتی به انرژی آن واکنش نشان داده و آن را پراکنده می کند در نتیجه این روش برای شناسایی مولکول های مورد نظر بسیار موثر است.
شماتیک فرآیند کلی جمع آوری و تجزیه و تحلیل داده های رامان که در آن یک طیف منفرد از یک سلول به دست می آید و از طریق یادگیری عمیق طبقه بندی می شود.
به دست آوردن طیفی شفاف و ثابت از باکتری ها
با این حال، بدست آوردن طیف ثابت و شفاف باکتری ها به دلیل اینکه منابع متعدد قله ها (قله های نمودارهای ترسیم شده حاصل از پراکنش نور از مولکولها) مانند پروتئین ها در دیواره سلولی هم پوشانی و یا به قولی با هم تداخل دارند، چالش برانگیز است.
به گفته پروفسور Yeon Sik Jung از دانشکده گروه علوم و مهندسی مواد، سیگنالهای قوی محیط اطراف نیز برای غلبه بر سیگنالهای هدف تقویت میشوند که نیاز به مراحل زمان بر و خسته کننده جداسازی باکتری ها است.
برای تجزیه سیگنال های پر سر و صدا، محققان یک روش هوش مصنوعی به نام یادگیری عمیق را اجرا کردند که می تواند به صورت سلسله مراتبی ویژگی های خاصی از اطلاعات طیفی را برای طبقه بندی داده ها استخراج کند. آنها به طور خاص مدل خود را با نام شبکه دو شاخه ای گسترده (DualWKNet) طراحی کردند تا به طور موثر همبستگی بین ویژگی های طیفی را بیاموزند. به گفته پروفسور جو، چنین توانایی برای تجزیه و تحلیل داده های طیفی یک بعدی حیاتی است.
پروفسور جو گفت: «علی رغم داشتن سیگنالهای تداخلی یا نویز از محیط، که اشکال کلی طیفهای مختلف باکتریایی و سیگنالهای محیط های موجود در آنها را شبیه به هم میسازد، دقت طبقه بندی بالایی از انواع باکتریها و رسانههای آنها حاصل شده است.» هم چنین پروفسور جو در ادامه به توضیحات خود افزود که DualWKNet به تیم اجازه داد تا قله های کلیدی ای را شناسایی کنند که تقریباً در طیف های جداگانه قابل تشخیص نبودند و اینکار سبب شد تا دقت طبقه بندی افزایش یابد. “در نهایت، با استفاده از DualWKNet که جایگزین مراحل جداسازی باکتری ها و محیط ها می شود، روش ما به طور چشمگیری زمان تجزیه و تحلیل را کاهش می دهد.”
SERS و یادگیری عمیق
محققان قصد دارند از پلتفرم خود برای مطالعه بیشتر باکتری ها و انواع محیط ها استفاده کنند و از این اطلاعات برای ایجاد یک کتابخانه داده آموزشی از انواع مختلف باکتری ها در رسانه های اضافی استفاده کنند تا زمان جمع آوری و تشخیص نمونه های جدید را کاهش دهند.
پروفسور جو گفت: ما با همکاری SERS و یادگیری عمیق، یک پلتفرم جهانی معنادار برای تشخیص سریع باکتری ها ایجاد کردیم.
و در آخر ایشان برای جمع بندی سخنان خود گفت: ” ما امیدواریم که استفاده از پلتفرم تجزیه و تحلیل SERS مبتنی بر یادگیری عمیق را برای شناسایی انواع باکتری ها در رسانه های اضافی که برای غذا یا تجزیه و تحلیل بالینی مهم هستند، مانند خون گسترش دهیم.”
کلمات کلیدی : شناسایی باکتری ها، شناسایی میکروارگانیسم ها، طیف بینی رامان، SERS، موسسه علوم و فناوری پیشرفته کره، KAIST، یادگیری عمیق، اثر انگشت طیفی، آنالیز مولکول ها، اجزای مولکولی باکتری ها