基于SERS(表面增强Raman散射)、特征提取和机器学习的MRSA(耐甲氧西林金黄色葡萄球菌)与MSSA(甲氧西林敏感金黄色葡萄球菌)快速分类方法

《Microchemical Journal》:MRSA and MSSA fast classification based on SERS, feature extraction, and machine learning

【字体: 大 中 小 】 时间:2026年01月15日 来源:Microchemical Journal 5.1

编辑推荐:

  本研究利用自主研发的显微拉曼光谱系统,通过表面增强拉曼光谱(SERS)分析耐甲氧西林金黄色葡萄球菌(MRSA)与敏感菌株(MSSA)的光谱特征,构建了指纹光谱区(FSR)、主成分分析(PCA)和选择K最佳(SKB)三个数据集。比较结果显示,FSR数据集与LSTM模型结合的准确率达99.64%,表明手动降维对深度学习模型性能无益,且SERS技术为临床耐药菌快速诊断提供了新思路。

  
王妍|张颖|段明康|杨玲|万雄
中国科学院杭州高等研究院生命科学学院系统健康科学重点实验室,中国杭州310024

摘要

本文利用自主研发的显微拉曼光谱检测系统,获取了耐甲氧西林金黄色葡萄球菌(MRSA)和敏感甲氧西林金黄色葡萄球菌(MSSA)的表面增强拉曼光谱(SERS)。通过对比分析发现,这两种菌株在653、737、962、1328和1469 cm?1处均表现出不同的拉曼峰,而MSSA还特异性地展现出1164 cm?1处的特征峰。从预处理后的光谱数据中构建了三个不同的数据集:指纹光谱区域(FSR)数据集、主成分分析(PCA)数据集和选择K最佳(SKB)数据集。这些数据集有助于训练和评估多种机器学习模型,包括随机森林(RF)、K近邻(KNN)、多层感知器(MLP)、支持向量机(SVM)、卷积神经网络(CNN)和长短期记忆(LSTM)。最终比较评估表明,FSR数据集更好地保留了细菌的特征分子振动信息,结合LSTM模型的平均准确率可达99.64%。研究结果说明,当与具有自动特征提取能力的深度学习模型结合使用时,手动降维方法(如PCA或SKB)是不必要的,甚至可能影响性能。这些发现验证了SERS技术在快速检测细菌耐药性方面的可行性,并为临床环境中快速准确诊断耐药性细菌感染提供了有前景的框架。

引言

人类过度使用抗生素等药物导致微生物病原体持续进化,使得抗菌药物耐药性(AMR)成为21世纪的重大公共卫生问题。2019年,全球约有127万人死于细菌感染,其中超过10万人死于单一病原体-药物组合——耐甲氧西林金黄色葡萄球菌(MRSA)[1]。MRSA的首次记录可追溯至1961年[2],随后在几十年内在全球范围内传播。金黄色葡萄球菌(S. aureus)的甲氧西林耐药性由mecA和mecC基因介导,这两个基因分别编码青霉素结合蛋白2a(PBP2a)和PBP2c。mecA和mecC使细菌对几乎所有β-内酰胺类抗生素产生耐药性[3]。MRSA和敏感甲氧西林金黄色葡萄球菌(MSSA)是两种具有临床重要性的S. aureus菌株,因为它们对不同抗生素的耐药性程度不同。MRSA因其对多种β-内酰胺类抗生素(包括甲氧西林和头孢菌素)的耐药性而成为全球性的公共卫生问题。相比之下,MSSA对这些抗生素敏感,因此更易于常规治疗。准确区分MRSA和MSSA对于有效的临床管理和感染控制至关重要。不恰当的抗生素使用可能导致耐药菌株的传播和治疗失败[4]。传统上,临床环境中通常采用纸片扩散法检测MRSA,主要使用苯唑西林或头孢呋辛作为检测抗生素。然而,该方法需要严格遵守特定的温度和时间参数(分别为35°C和24小时后读取结果),以防止假阴性结果的出现。这是因为PBP2a在细胞壁合成过程中对肽聚糖五肽链的交联作用较弱,导致耐药菌株生长缓慢[5]。
近年来,人们越来越关注开发能够更快更准确地识别细菌的替代诊断技术。其中,表面增强拉曼光谱(SERS)作为一种有前景的工具,已被用于细菌的识别和表征[6]。SERS是一种高灵敏度的拉曼光谱技术,它利用纳米结构表面(如金或银纳米颗粒)来放大拉曼信号[7,8]。SERS能够实现快速且无标记的细菌样本分析,从而提供了一种更高效且经济的方法。Ho等人[9]证明了将拉曼光谱与深度学习结合用于快速识别病原菌的有效性,验证了SERS在病原体识别中的效率。Liu等人[10]通过计算分析SERS光谱成功区分了碳青霉烯类耐药和碳青霉烯类敏感的肺炎克雷伯菌株,为耐药性检测提供了一种新方法。在此基础上,Lyu等人[11]利用深度学习分析SERS光谱快速预测多重耐药肺炎克雷伯菌,展示了SERS在复杂微生物识别中的潜力。本研究旨在探讨SERS与机器学习算法结合在精确区分MRSA和MSSA中的应用。预计将SERS与先进的计算方法(特别是机器学习)相结合,将通过提供快速、无标记且高度准确的方法来增强诊断能力,从而有效区分这两种具有临床意义的S. aureus菌株。这种方法解决了抗生素耐药性背景下对高效诊断工具的迫切需求,并突显了基于SERS的技术在微生物识别和表征过程中的潜在价值。

实验系统

本研究使用了一种自主研发的拉曼光谱系统。激光波长为532 nm,功率为20 mW,振幅噪声为0.5% rms,光谱线宽为0.003 nm。光谱仪的焦距为75 mm,分辨率为2048×64像素,信噪比为450:1。

金黄色葡萄球菌菌株的收集

从同济大学附属第四人民医院临床微生物实验室的临床样本中分离出了16株MRSA和12株MSSA。

结果与讨论

实验共获得了280条光谱(MRSA 160条,MSSA 120条)。预处理后的SERS数据如图2所示,其光谱范围为138–3061 cm?1,MRSA和MSSA的平均光谱显示出许多相似的峰位。指纹光谱出现在600–1500 cm?1范围内,MRSA和MSSA的SERS具有较好的均匀性(见图1)。
MRSA和MSSA的主要峰已被识别并区分,结果见表1。两种菌株的最强光谱带相同。

结论

本研究使用自主研发的系统检测具有SERS活性的细菌,即MRSA和MSSA。使用三种不同的数据集构建了六个分类模型。研究结果表明,模型的效果受所使用数据集的影响。其中,FSR数据集在大多数模型中显示出最高的准确率。在这些模型中,LSTM在从FSR数据集中提取细微特征方面表现优异。

CRediT作者贡献声明

王妍:撰写 – 审稿与编辑,撰写 – 原稿,方法学,正式分析,数据管理。张颖:软件,数据管理,概念构思。段明康:数据管理,概念构思。杨玲:监督,资源提供。万雄:监督,资源提供。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了国家自然科学基金(项目编号:62475056)、中国科学院杭州高等研究院研究经费(项目编号:B04006C021017)和重点研发项目(项目编号:2024AB066)的资助。此外,本研究还得到了上海市科学技术委员会基金(项目编号:24692113500)、上海虹口区卫生健康委员会临床重点支持项目 - 老年医学(项目编号:HKLCFC202412)的资助。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号