Das Team von Prof. Guo Shifeng am Shenzhen Institute of Advanced Technology (SIAT) der Chinesischen Akademie der Wissenschaften hat eine neuartige Methode vorgeschlagen, die die Lücke zwischen physikalischer Messung und künstlicher Intelligenz bei der Erkennung der Lebensfähigkeit von Bakterien schließt. Der Studie wurde veröffentlicht in Zellberichte Physikalische Wissenschaft.
Der Nachweis der Lebensfähigkeit von Bakterien ist für die Pharma-, Medizin- und Lebensmittelindustrie von entscheidender Bedeutung. Dennoch ist ein schneller und zerstörungsfreier Ansatz zur Unterscheidung zwischen intakten lebenden und toten Bakterien immer noch schwer zu finden.
Das Team von Prof. Guo hat eine robuste und zugängliche Methodik eingeführt, die Rasterkraftmikroskopie (AFM)-Bildgebung, quantitative Nanomechanik und Algorithmen für maschinelles Lernen integriert, um die Lebensfähigkeit gramnegativer und grampositiver Bakterien zu bewerten.
Das Team nutzte flüssiges AFM, um die Morphologie und Kraftspektroskopiedaten von lebenden und toten Bakterien zu erfassen. Die anschließende Verarbeitung der Kraftspektroskopiedaten ermöglichte die Extraktion wesentlicher Datenpunkte, darunter Verformung, bakterielle Federkonstante und Elastizitätsmodulwerte.
Diese extrahierten Parameter dienten als Eingaben in das Rechengerüst und bildeten einen Stapelklassifikator. Dieser Klassifikator arbeitete schnell und autonom und identifizierte die Lebensfähigkeit von Bakterien schnell und automatisiert.
„Für die Zukunft planen wir, die Anwendung dieser Methode auszuweiten, um die Lebensfähigkeit anderer Bakterienarten zu erkennen und ihr Potenzial in verschiedenen Umwelt- und biologischen Kontexten zu erkunden“, sagte Prof. Guo.
Diese Arbeit veranschaulicht die Leistungsfähigkeit der interdisziplinären Zusammenarbeit bei der Förderung wissenschaftlicher Durchbrüche und bietet einen wertvollen Rahmen für zukünftige Forschung in den Bereichen Mikrobiologie, Nanotechnologie und maschinelles Lernen.
Mehr Informationen:
Xiaoyan Xu et al., AFM-basierte Nanomechanik und maschinelles Lernen zur schnellen und zerstörungsfreien Erkennung der Lebensfähigkeit von Bakterien, Zellberichte Physikalische Wissenschaft (2024). DOI: 10.1016/j.xcrp.2024.101902